Learning From Design Procedure To Generate CAD Programs for Data Augmentation

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "التعلم من إجراءات التصميم لتوليد برامج CAD لأغراض تعزيز البيانات."

1. بيان المشكلة

تعالج الورقة البحثية عقبة حرجة في تدريب النماذج اللغوية الكبيرة (LLMs) لتوليد التصميم بمساعدة الحاسوب (CAD): وهي نقص التعقيد الهندسي والتنوع في مجموعات البيانات الحالية.

• القيود الحالية: تميل مجموعات بيانات CAD مفتوحة المصدر الحالية (مثل DeepCAD وGenCAD) بشدة نحو العمليات البسيطة مثل "الرسم والبث" (sketch-and-extrude). وهي تفتقر إلى الأشكال العضوية المعقدة (مثل منحنيات B-Splines أو سطوح NURBS) الشائعة في التصميمات الصناعية الواقعية.
• العواقب: تفشل النماذج المدربة على هذه المجموعات في توليد نماذج CAD ذات جودة صناعية، والتي تتطلب غالبًا أسطحًا ناعمة ومستمرة لأسباب تتعية تتعلق بالراحة (ergonomics)، أو الجماليات، أو الهيكلية (مثل توزيع الإجهاد في قطع غيار السيارات).
• ندرة البيانات: على عكس البرمجيات (المتاحة على GitHub)، فإن بيانات CAD غالبًا ما تكون مملوكة لجهات خاصة، ومنعزلة عبر أدوات مختلفة، وتفتقر إلى نظام بيئي طبيعي متنامٍ لتعزيز البيانات.

2. المنهجية

يقترح المؤلفون نموذجًا جديدًا لتعزيز البيانات مستوحى من سير عمل التصميم الصناعي. بدلاً من الاعتماد على المطالبات الصورية أو الأوصاف النصية البسيطة، قدموا استراتيجية "مطالبة إجراء التصميم" (Design Procedure Prompting) التي توجه النماذج اللغوية الكبيرة باستخدام مدخلين محددين:

أ. برنامج السطح المرجعي

بدلاً من استخدام الصور أو السحب النقطية (point clouds)، تستخدم الطريقة سكربت بايثون (تحديدًا باستخدام مكتبة Cadseye) لتعريف سطح مرجعي.

• لماذا السكربتات؟ النماذج اللغوية الكبيرة بارعة بالفعل في توليد أكواد بايثون. يوفر استخدام السكربت تعريفًا دقيقًا ومعلميًا (parametric) وتعبيريًا للهندسة ثلاثية الأبعاد (تحديدًا أسطح B-Spline)، مما يتجنب أخطاء الارتباط بين الوسائط المختلفة الشائعة عند مطالبة النماذج بالبيانات المرئية.
• التنوع: يقوم المؤلفون بتوليد أسطح مرجعية متنوعة (مثل Gaussian، saddle، wave، ripple) عن طريق تغيير المعلمات في سكربتات بايثون.

ب. مطالبة إجراء التصميم

يتم توجيه النموذج اللغوي الكبير عبر قالب نصي مهيكل يحتوي على:

1. وصف التصميم: وصف لغوي طبيعي للكائن المستهدف (مثل "دعامة مستطيلة بها ثقبان").
2. سياق التصميم: تعليمات لمطابقة انحناء السطح المرجعي المقدم وإزالة السطح بعد إنشاء الكائن.
3. مطالبات النظام: قيود تضمن أن يكون المخرج صلبًا محكم الإغلاق (watertight solid) وتحدد صيغة المخرج (ملف STEP).

ج. حلقة التحقق

تخضع برامج CAD المولدة لعملية تحقق وكيلية (agentic validation) من مرحلتين:

1. التحقق من البرنامج: يتحقق مما إذا كان الكود يعمل ويتحول إلى تمثيل حدودي (B-rep) لملف STEP.
2. التحقق من الهيكل: يتحقق مما إذا كان الـ B-rep الناتج محكم الإغلاق وممكنًا من الناحية الهيكلية (باستخدام فحوصات من DTGBrepGen).

• التصحيح الذاتي: في حالة فشل التحقق، يتم تغذية رسالة الخطأ للنموذج اللغوي الكبير لإجراء تصحيح تكراري.

3. المساهمات الرئيسية

1. نموذج مطالبة مبتكر: تقدم الورقة طريقة لتوجيه النماذج اللغوية الكبيرة باستخدام برامج الأسطح المرجعية بدلاً من النصوص أو الصور فقط. هذا يسد الفجوة بين قصد التصميم البشري (مطابقة سطح ما) وبين التوليد الآلي.
2. تخليق الهندسة العضوية: تنجح الطريقة في فرض توليد وجوه ومنحنيات B-Spline، والتي تغيب عادةً في مجموعات البيانات المفتوحة الحالية.
3. إجراء تصميم مجزأ: يحاكي النهج سير العمل الصناعي حيث يحدد سطح أساسي هندسة الأجزاء المتصلة، مما يسمح بتخليق عناصر أولية معقدة ومترابطة.
4. تعزيز البيانات المفتوحة: توفر إطارًا قابلاً للتوسع لتوليد بيانات تدريب CAD عالية الجودة ومتنوعة دون الاعتماد على مجموعات بيانات صناعية مملوكة لجهات خاصة.

4. النتائج التجريبية

قيم المؤلفون طريقتهم مقابل النماذج المرجعية (DeepCAD-b، GenCAD، CAD-MLLM) ومجموعة بيانات صناعية تجارية ("Industry").

• التعقيد الهندسي:

  • نسبة B-Spline: حققت الطريقة المقترحة نسبة B-Spline بلغت 0.2217، متفوقة بشكل كبير على النماذج المرجعية (التي كانت قريبة من 0.0004–0.0009).
  • وجود B-Spline: احتوت 77% من الأجسام المولدة على وجوه B-Spline و 89% احتوت على منحنيات B-Spline. في المقابل، سجلت النماذج المرجعية 0% لوجوه B-Spline وحوالي 1% لمنحنيات B-Spline.
  • مقاييس التعقيد: احتوت ملفات STEP المولدة على متوسط عدد أسطر أعلى (4,494 مقابل ~1,000–2,400 في النماذج المرجعية) وعدد أكبر من الأوجه/المنحنيات، مما يشير إلى تعقيد هيكلي أكبر.

• تنوع التوزيع:
  على عكس النماذج المرجعية التي تجمعت بكثافة عند نسبة 0% لـ B-Spline، أنتجت الطريقة المقترحة توزيعًا أكثر توازنًا عبر نسب B-Spline، مغطية نطاقًا أوسع من تعقيد الأشكال مشابهًا لمجموعة بيانات "Industry".

• دراسة الاستئصال (Ablation Study):
  أدى إزالة مطالبة السطح المرجعي (الاعتماد فقط على التوجيه النصي مثل "اجعلها ناعمة") إلى انخفاض حاد في توليد B-Spline (انخفضت النسبة من 0.22 إلى 0.04).
  وهذا يؤكد أن السكربت المرجعي هو العامل الحاسم في دفع توليد الأشكال العضوية، وليس مجرد الأوصاف اللغوية الطبيعية.

• القدرة على التعميم:
  تم توسيع الطرح بنجاح لتوليد عجلات سيارات بأنماط أذرع مختلفة (أذرع مزدوجة، أذرع على شكل Y)، مما أظهر قابلية التطبيق لما وراء الدعامات البسيطة.

5. الأهمية والأثر

• سد الفجوة الصناعية: يوضح العمل أن نماذج CAD المولدة آليًا يمكن أن تشبه التصميمات ذات الجودة الصناعية من حيث التعقيد الهندسي، وتحديدًا من خلال إدخال هندسات B-Spline.
• حل لبيانات التدريب: يقدم حلاً مستدامًا وآليًا لندرة بيانات تدريب CAD عالية الجودة، مما يمكّن الضبط الدقيق للنماذج اللغوية الكبيرة لمهام هندسية أكثر تقدمًا.
• تحول في النموذج: ينقل المجال من مجرد "النص إلى الشكل" (text-to-shape) إلى "الإجراء إلى الشكل" (procedure-to-shape)، مستفيدًا من قدرات البرمجة للنماذج اللغوية الكبيرة لتفسير القيود المعلمية.

6. القيود

• الأعباء الإضافية للتحقق: تؤدي الإجراءات المعقدة إلى المزيد من أخطاء التنفيذ، مما يتطلب المزيد من التوليد التكراري (21% من العينات تطلبت أكثر من 5 محاولات) مقارنة بالنماذج المرجعية الأبسط.
• الاعتماد على السطح المرجعي: تتطلب الطريقة وجود سكربتات بايثون مسبقة للأسطح المرجعية. وبينما يمكن تخليق هذه السكربتات، فإن الحصول على أسطح مرجعية دقيقة لأجزاء مخصصة معينة يتطلب حاليًا تسجيلًا يدويًا أو هندسة عكسية.
• التحكم في الدقة: لا يستطيع النظام بعد التحكم بدقة في مكان اتصال الكائن الجديد بالسطح المرجعي (مثل القاعدة مقابل الأرجل) دون تدخل بشري إضافي أو ضبط دقيق متخصص.