PR-CAD: 大規模言語モデルを用いた制御可能かつ忠実なテキストから CAD 生成のための逐次改良フレームワーク

1. 背景と課題 (Problem)

従来の CAD モデル作成は、専門的な知識と手作業を要する労働集約的なプロセスであり、自然言語による直感的な操作は長年の課題でした。近年、大規模言語モデル（LLM）を用いた「テキストから CAD への生成」研究が進んでいますが、既存のアプローチには以下の重大な限界があります。

• 生成と編集の分断: 既存の手法は「新規生成」と「編集（修正・追加・削除）」を別々のタスクとして扱っており、実際の設計プロセスが反復的であるという現実を反映していません。
• 高難度な入力要件: 正確な生成には、専門的かつ詳細な技術的テキスト（例：1 つの操作に平均 100 語が必要）が求められ、非専門家には利用が困難です。
• データと編集の質: 既存の編集データはランダムな操作が多く、実際の設計意図（定性的な「太くする」や定量的な「半径を 6mm 減らす」）を反映した高忠実なインタラクションデータが不足しています。

これらの課題を解決し、生成と編集を統合した「制御可能で忠実な」CAD 設計を実現する必要性がありました。

2. 提案手法 (Methodology)

著者はPR-CAD（Progressive Refinement for Unified Controllable and Faithful Text-to-CAD Generation）を提案しました。これは、生成と編集を単一のエージェントで統合し、逐次改良（Progressive Refinement）を行うフレームワークです。

2.1 高忠実な人間らしいインタラクションデータセットの構築

生成と編集の両方を学習させるため、CAD ライフサイクル全体を網羅する高品質なデータセットを構築しました。

• 生成タスク: DeepCAD データセットを基に、CAD モデルを 9 方向からレンダリングし、マルチモーダル大規模モデルを用いて定性的（高レベルな意図）および定量的（数値パラメータ）な説明を生成しました。
• 編集タスク: 既存モデルから特定の操作（S-E 操作やループ）を削除し、その逆操作（追加）や削除された部分に基づいた指示を生成することで、人間が行うような「削除→追加→修正」の対ペアデータを構築しました。これにより、定性的・定量的な編集指示を含む多様なインタラクションデータを確保しました。
• 表現形式: LLM との親和性を高めるため、DSL（Domain-Specific Language）、構造化テキスト（ST）、汎用言語（GPL）など、複数の CAD シーレン表現形式を生成・変換するパイプラインを確立しました。

2.2 逐次改良のためのポストトレーニング戦略

LLM の能力を最大限に引き出すため、以下の 3 つの技術を組み合わせたポストトレーニング手法を採用しました。

1. 構造化思考（Structured Chain-of-Thought, SCoT）:
   設計プロセスを「意図理解」「モデリング分析」「パラメータ計算」「位置特定」の 4 段階に分解し、構造化テキスト形式で推論を誘導します。これにより、LLM の論理的推論能力と CAD 構造の理解を深めます。
2. 教師あり微調整（Supervised Fine-Tuning, SFT）:
   上記の SCoT データを用いて、LLM がドメイン固有言語（DSL）や構造化テキストを用いて CAD モデルを生成・編集するパターンを学習させます。
3. 強化学習（Reinforcement Learning, RL）:
   生成されたモデルの品質を最大化するための報酬関数（Generalized Reward Optimization, GRPO）を導入します。報酬は以下の 4 つの要素で構成されます。
   • Chamfer Distance 報酬 ($R_{chamfer}$): 生成形状と正解の幾何学的類似度（誤差が小さいほど高報酬）。
   • フォーマット報酬 ($R_{format}$): 出力形式の正誤に基づくペナルティ。
   • 実行可能性報酬 ($R_{exec}$): コードが実行可能かどうかに基づくペナルティ。
   • 長さ報酬 ($R_{length}$): 出力の冗長性を防ぐためのペナルティ。

3. 主要な貢献 (Key Contributions)

1. PR-CAD フレームワークの提案: 生成と編集を単一の制御可能なエージェントで統合し、創造から修正までのシームレスなワークフローを実現しました。
2. 高忠実なインタラクションデータセット: CAD の全ライフサイクルを網羅し、多様な編集タイプと記述モダリティ（定性的・定量的）を備えた、人間らしい編集行動をシミュレートしたデータセットを構築しました。
3. RL 強化推論手法の開発: SFT、SCoT、RL を組み合わせ、幾何学的忠実度、実行可能性、ユーザー意図との整合性を最適化する手法を開発し、ChatCAD による実証実験でその有効性を確認しました。

4. 実験結果 (Results)

公開ベンチマークおよび人間評価において、PR-CAD は既存の最先端手法（Text2CAD, FLEXCAD, CAD-Editor, GPT-4o など）を凌駕する性能を示しました。

• 定量的評価:
  • 生成タスク: 無効モデル率（IR）0.62%、平均 Chamfer Distance（CD）5.87 を達成し、他手法より高精度かつ信頼性が高いことを示しました。
  • 編集タスク: IR 0.91%、平均 CD 6.30、VLM-Eval（意図の忠実度評価）77.83 を記録し、既存の編集専用モデル（CAD-Editor など）よりも優れた性能を発揮しました。
• 人間評価（User Interaction）:
  • 成功率: 専門家では 100%、初心者でも 81.25% の成功率を達成（単一ターン生成ではそれぞれ 56.25%、31.25%）。
  • 効率性: 多ターン対話により、1 ターンあたりの所要時間が短縮され、システムユーザビリティ尺度（SUS）スコアが専門家 93.125、初心者 80.625 と非常に高い評価を得ました。
• アブレーション研究: SFT、RL、SCoT のいずれかを欠くと性能が大幅に低下することを確認し、これら 3 つの要素がすべて不可欠であることを実証しました。

5. 意義と結論 (Significance)

PR-CAD は、テキストから CAD への生成と編集を統合した「オールインワン」ソリューションとして、CAD 設計の民主化に大きく貢献します。

• 実用性の向上: 専門知識がなくても、自然言語（定性的・定量的）による対話で複雑な設計を反復的に改良できるため、設計効率とアクセシビリティが劇的に向上します。
• 技術的ブレイクスルー: 生成と編集を分断せず、意図理解からパラメータ推定、位置特定までを単一エージェントで処理する新しいパラダイムを確立しました。
• 将来展望: 本アプローチは、従来の CAD ソフトウェアの学習コストを下げ、専門家と初心者の両方にとって使いやすい設計環境を提供する基盤となります。

本論文は、LLM を活用した CAD 設計において、単なる生成だけでなく、人間らしい「改良プロセス」をどう実装するかという重要な課題に対する解決策を示した点で画期的です。