ノイズ除去拡散モデル（Denoising Diffusion Models, DDMs）は、強力な生成モデルのクラスとして注目を集めている。前向きな拡散過程によりデータは徐々にノイズが加えられ、その後、深層モデルがそのノイズを段階的に除去するように学習する。生成プロセスは、学習されたモデルによって定義される微分方程式（DE）を解くことに相当する。この微分方程式を解くには、高品質な生成を達成するためには遅い反復ソルバーが必要となる。本研究では、高次のノイズ除去拡散ソルバー（GENIE）を提案する。これは、切断されたテイラー法に基づく新しい高次ソルバーであり、生成プロセスを大幅に高速化する。本ソルバーは、摂動されたデータ分布の高次の勾配、すなわち高次のスコア関数に依存している。実際の実装では、ジャコビアン・ベクトル積（JVP: Jacobian-Vector Product）のみが必要であり、我々は自動微分を用いて1次スコアネットワークからこれを抽出する手法を提案する。さらに、これらのJVPを別個のニューラルネットワークに蒸留（distill）することで、生成時における本研究の新規サンプラーに必要な高次の項を効率的に計算可能とする。必要なのは、1次スコアネットワークの上に追加的な小さなヘッドを学習するのみである。GENIEは複数の画像生成ベンチマークにおいて検証され、従来のすべてのソルバーを上回ることを示した。最近の手法がDDMの生成プロセスそのものを根本的に変更するのに対し、GENIEは真の生成的微分方程式を解くものであり、エンコーディングやガイド付きサンプリングといった応用も可能である。プロジェクトページおよびコード：https://nv-tlabs.github.io/GENIE