Learning From Design Procedure To Generate CAD Programs for Data Augmentation

Cet article propose une nouvelle méthode d'augmentation de données qui utilise les grands modèles de langage pour générer des programmes CAO plus diversifiés et complexes, inspirés des procédures de conception industrielle, afin d'améliorer l'entraînement des modèles d'apprentissage profond pour la création de formes organiques.

L'essentiel

Voici une explication simple et imagée de ce papier de recherche, comme si nous en discutions autour d'un café.

🚗 Le Problème : Des IA qui dessinent des "boîtes à chaussures"

Imaginez que vous demandez à un super-intelligent (une IA) de dessiner une voiture. Si vous lui donnez seulement des exemples de dessins très simples (des cubes, des cylindres, des boîtes), l'IA va apprendre à dessiner des voitures qui ressemblent à des boîtes à chaussures avec des roues carrées. C'est ce qui se passe actuellement avec les modèles d'IA qui créent des plans de conception (CAD) pour l'industrie.

Les données d'entraînement actuelles sont trop simples. Elles contiennent surtout des formes géométriques de base (des lignes droites, des angles droits). Mais dans la vraie vie, les ingénieurs de chez Toyota ou d'autres constructeurs ne dessinent pas des boîtes. Ils dessinent des courbes fluides, des formes organiques qui épousent le corps humain ou l'aérodynamisme, un peu comme un sculpteur qui travaille l'argile.

Le problème ? L'IA ne connaît pas ces courbes complexes car elle n'a jamais vu assez de "vrais" plans industriels.

💡 La Solution : La méthode du "Moule de Cuisine"

Les auteurs de ce papier (du Toyota Research Institute) ont eu une idée brillante inspirée de la façon dont les vrais designers travaillent.

Imaginez que vous voulez faire un gâteau très spécifique. Au lieu de donner à l'IA une liste d'ingrédients (un texte), vous lui donnez le moule dans lequel le gâteau doit prendre forme.

Dans leur méthode, ils utilisent deux ingrédients magiques pour guider l'IA :

1. Le "Moule" (La surface de référence) : Au lieu de dire "Fais un support", ils donnent à l'IA un script informatique qui dessine une surface courbe et complexe (comme une vague ou une selle de cheval). C'est le moule invisible.
2. La "Recette" (La procédure de design) : Ils expliquent à l'IA : "Tu dois construire un support qui s'adapte parfaitement à cette surface courbe, comme si le support était moulé dessus."

🛠️ Comment ça marche en pratique ?

Voici l'analogie du sculpteur et de l'argile :

• Avant (Les anciennes méthodes) : On demandait à l'IA de faire un support en lui disant "Fais un rectangle". L'IA sortait un rectangle plat. C'était trop simple.
• Maintenant (La nouvelle méthode) :
  • On pose d'abord une forme d'argile complexe (la surface de référence) sur la table.
  • On dit à l'IA : "Ta mission est de sculpter un support qui épouse parfaitement les courbes de cette argile."
  • L'IA est obligée d'utiliser des outils de "sculpture" avancés (des courbes mathématiques appelées B-Splines) pour que son support colle à la forme.
  • Une fois le support fini, on retire l'argile (la surface de référence) et il ne reste que le support magnifique et complexe.

📊 Les Résultats : De la "Boîte" à la "Sculpture"

Les chercheurs ont testé leur méthode et les résultats sont impressionnants :

• Avant : Les plans générés par l'IA ressemblaient à des Lego (0 % de courbes complexes).
• Après : Les plans générés par leur méthode ressemblent à des pièces de voiture réelles (77 % de courbes complexes !).

C'est comme passer de la cuisine d'un robot qui ne sait faire que des cubes de tofu, à celle d'un chef étoilé qui sait faire des sauces onctueuses et des décors en sucre filé.

🔄 Pourquoi c'est important ?

Dans le monde réel, les voitures, les avions et les téléphones ont besoin de formes courbes pour être beaux, confortables et solides. Si les IA ne peuvent pas apprendre à dessiner ces formes, elles ne pourront jamais aider les ingénieurs à concevoir de vrais produits.

Cette méthode permet de créer artificiellement des milliers de nouveaux plans complexes pour entraîner les IA. C'est comme donner à l'IA un manuel d'apprentissage rempli de chefs-d'œuvre de design industriel, au lieu d'un manuel rempli de dessins d'enfants.

En résumé

Ce papier propose une astuce géniale : pour apprendre à une IA à dessiner des formes complexes, ne lui donnez pas juste des instructions écrites. Donnez-lui une forme de départ (un moule) et demandez-lui de construire quelque chose qui s'y adapte. C'est ainsi qu'on passe de l'IA qui dessine des boîtes, à l'IA capable de concevoir les voitures de demain.

Résumé technique

Voici un résumé technique détaillé de l'article "Learning From Design Procedure To Generate CAD Programs for Data Augmentation" en français.

1. Problématique

La génération de programmes CAD (Conception Assistée par Ordinateur) par des Modèles de Langage (LLM) rencontre des limites majeures dans les applications industrielles réelles.

• Complexité géométrique insuffisante : Les modèles actuels produisent des formes géométriques trop simples, souvent limitées à des primitives de base (extrusions, esquisses simples) et manquent de la complexité organique présente dans les designs industriels.
• Manque de diversité dans les données : Les ensembles de données d'entraînement existants (comme DeepCAD, ABC) sont restreints à un petit nombre de commandes d'opérations. Ils ne contiennent pratiquement aucune géométrie basée sur des courbes de type B-Spline ou NURBS, qui sont pourtant omniprésentes dans l'industrie pour des raisons esthétiques, ergonomiques et structurelles.
• Absence de processus de conception réaliste : Les LLMs ne simulent pas le processus de conception humain, où un concepteur commence souvent par une surface de référence (une forme libre) pour guider la création de pièces adjacentes, créant ainsi des effets de ripple (répercussions) sur la géométrie globale.

2. Méthodologie

Les auteurs proposent une nouvelle paradigme d'augmentation de données inspiré des pratiques de conception industrielle. Au lieu de générer des modèles à partir de zéro ou uniquement via des images, ils utilisent une approche basée sur le texte et le code.

A. Le Prompting par Procédure de Conception

Le cœur de la méthode repose sur deux éléments d'entrée pour le LLM :

1. Description textuelle du design : Une description naturelle de l'objet cible (ex: "un support rectangulaire avec deux trous").
2. Programme de surface de référence (Reference Surface Program) : Au lieu d'une image, l'entrée est un script Python (utilisant la bibliothèque CadQuery) qui définit une surface organique (gaussienne, ondulée, en selle, etc.).

Le prompt instruit le LLM pour qu'il :

• Génère un programme CAD (en Python/CadQuery) qui s'adapte à la courbure de cette surface de référence.
• Applique une séquence d'opérations logique (comme le ferait un ingénieur) pour créer la pièce.
• Supprime la surface de référence une fois la pièce créée, ne laissant que la géométrie finale.

B. Validation et Itération

Le système intègre une boucle de validation automatique :

1. Validation du programme : Vérification de l'exécution du script Python.
2. Validation structurelle : Vérification que le résultat B-rep (Boundary Representation) est "watertight" (étanche) et géométriquement valide.
   En cas d'erreur, le message d'erreur est renvoyé au LLM pour une auto-correction itérative.

3. Contributions Clés

• Nouvelle stratégie de Prompting : Introduction de l'utilisation de scripts de surfaces de référence comme conditionnement pour guider la génération de formes organiques complexes.
• Génération de géométries B-Spline : La méthode force l'apparition de faces et de courbes définies par des splines, comblant le fossé entre les données open-source actuelles et les standards industriels.
• Modularité du code : Le processus génère des programmes CAD modulaires qui reflètent la logique de conception (création de la pièce par rapport à la surface, puis suppression de la surface).
• Indépendance visuo-textuelle : Contrairement aux approches multimodales (Image-to-CAD), cette méthode utilise uniquement du texte (descriptions + scripts Python), évitant les artefacts liés à la pré-entraînement contraste image-texte et permettant une génération plus cohérente.

4. Résultats Expérimentaux

Les expériences ont été menées sur la génération de supports (brackets) et de roues de voiture, comparant la méthode proposée ("Ours") à des bases de données existantes (DeepCAD-b, GenCAD, CAD-MLLM) et à un jeu de données industriel réel.

• Augmentation de la complexité : Les fichiers STEP générés contiennent significativement plus de lignes de code, de faces et de courbes que les baselines.
• Présence de B-Splines (Résultat majeur) :
  • Méthode proposée : 77% des objets contiennent des faces B-Spline et 89% des courbes B-Spline. Le ratio moyen de B-Spline est de 0,22.
  • Bases de données existantes (DeepCAD, GenCAD, CAD-MLLM) : Presque 0% de faces B-Spline et un ratio moyen proche de zéro (< 0,001).
  • Données Industrielles : 100% de faces et courbes B-Spline (ratio ~0,53).
• Diversité de la complexité : La distribution du ratio de B-Spline dans les données générées est beaucoup plus large et plus proche de la distribution industrielle que celle des ensembles de données publics, qui sont fortement biaisés vers des formes simples (ratio 0).
• Étude d'ablation : L'ablation montre que sans la surface de référence (ou sans la procédure de conception textuelle), le ratio de B-Spline chute drastiquement (de 0,22 à 0,0085), prouvant que le script de surface est le facteur clé pour induire des formes organiques.

5. Signification et Impact

• Pont vers l'industrie : Cette méthode permet de synthétiser des données d'entraînement qui ressemblent beaucoup plus aux designs industriels réels, ce qui est crucial pour entraîner des modèles de Deep Learning capables de concevoir des pièces manufacturables.
• Scalabilité : Elle offre une voie viable pour créer un écosystème durable de données CAD augmentées, palliant le manque de données open-source complexes.
• Amélioration des LLMs : En fournissant des données riches en géométrie paramétrique complexe, cette approche améliore la capacité des LLMs à comprendre et à générer des programmes CAD réalistes, dépassant les simples primitives géométriques.

En conclusion, l'article démontre que l'imitation du processus de conception humain (via une surface de référence et une procédure logique) est une clé efficace pour débloquer la génération de modèles CAD complexes et réalistes par intelligence artificielle.