확산 모델(Diffusion Models, DMs)은 이미지, 음성, 동영상 생성 분야에서 큰 진전을 이루었다. 그러나 DMs의 단점 중 하나는 느린 반복적 과정이다. 최근 제안된 빠른 샘플링 알고리즘들은 미분 방정식의 관점에서 설계되어 왔다. 그러나 타일러 전개(Taylor expansion) 기반의 고차 알고리즘에서는 대규모로 잘 훈련된 신경망의 복잡성으로 인해 스코어 함수의 도함수를 추정하는 것이 비가능해진다. 이러한 문제를 해결하고자, 본 연구에서는 DMs의 스코어 함수 도함수를 계산하기 위해 재귀적 차분(Recursive Difference, RD) 방법을 제안한다. RD 방법과 스코어-적분자(score-integrand)의 절단된 타일러 전개를 기반으로, 샘플링 속도를 가속화하기 위한 수렴 차수 보장(convergence order guarantee)을 갖춘 SciRE-Solver를 제안한다. 또한 RD 방법과 지수 적분자(exponential integrator)를 결합하여 효과를 더 깊이 탐색하기 위해, SciREI-Solver라는 변형 알고리즘도 제안한다. 제안된 RD 기반 샘플링 알고리즘은 기존의 훈련 없이 작동하는 샘플링 알고리즘들과 비교하여, 다양한 스코어 함수 평가 횟수(NFE) 조건 하에서 이산 시간 및 연속 시간 사전 훈련된 DMs 모두에서 최고 수준(SOTA)의 FID(Fréchet Inception Distance) 성능을 달성한다. 특히, 작은 NFE를 사용하는 SciRE-Solver는 최소 1,000회의 NFE를 사용한 일부 사전 훈련된 모델이 원문 논문에서 달성한 FID 성능을 초월할 수 있는 잠재력을 보여준다. 예를 들어, CIFAR-10에서 연속 시간 DM에 대해 100회의 NFE로 2.40의 SOTA FID를, 이산 시간 DM에 대해 84회의 NFE로 3.15의 FID를 달성하였으며, CelebA 64×64 데이터셋에서는 이산 시간 DM에 대해 각각 18회(50회) NFE로 2.17(2.02)의 FID를 기록하였다.