Los aceleradores de partículas son herramientas habilitadoras para la exploración científica y el descubrimiento en diversas disciplinas. Sin embargo, encontrar puntos de operación optimizados para estas máquinas complejas es una tarea desafiante debido al gran número de parámetros involucrados y a la dinámica no lineal subyacente. Aquí, introducimos dos familias de modelos sustitutos impulsados por datos, basados en redes neuronales profundas e invertibles, que pueden reemplazar los costosos modelos computacionales de física. Estos modelos se emplean en optimizaciones multiobjetivo para encontrar puntos de operación óptimos de Pareto para dos tipos de aceleradores de partículas fundamentalmente diferentes. Nuestro enfoque reduce el tiempo de solución para una optimización de aceleradores multiobjetivo hasta en un factor de 640 y el costo computacional hasta en un 98%. El marco establecido aquí debería allanar el camino para futuras optimizaciones multiobjetivo en línea y en tiempo real de aceleradores de partículas.