기술 요약: CADDesigner

문제 제기

개념적 컴퓨터 지원 설계 (CAD) 모델링은 일반적으로 추상적이거나 불완전한 명세를 정밀한 파라메트릭 3D 모델로 변환하기 위해 높은 수준의 전문성이 필요합니다. 기존 CAD 플랫폼은 초보자에게는 시간이 많이 소요되고 오류가 발생하기 쉬운 수동 반복 워크플로우에 의존합니다. 최근 대규모 언어 모델 (LLM) 의 발전은 자동화를 위한 기회를 제공하지만, 기존 접근 방식은 다음과 같은 중대한 장애물에 직면해 있습니다:

1. 데이터 부족 및 자원 집약성: 오픈소스 LLM 을 CAD 용으로 파인튜닝하려면 상당한 GPU 자원과 고품질의 다양한 학습 데이터셋이 필요하며, 이는 여전히 부족합니다.
2. 표현의 한계: 기존 파라메트릭 모델링 접근 방식은 종종 스케치 및 돌출 (extrusion) 과 같은 제한된 작업 세트만 지원하며 복잡한 모델링 절차에는 어려움을 겪습니다.
3. 맥락 모호성: CadQuery 와 같은 기존 CAD 소프트웨어 개발 키트 (SDK) 는 종종 암시적 맥락 (유창한 API) 이나 과부하된 기호 연산자에 의존하여 LLM 이 중간 모델링 상태를 추적하기 어렵게 만들고, 이로 인해 생성된 코드에서 모호성이 발생하고 신뢰성이 저하됩니다.

방법론

저자들은 개념적 CAD 모델 생성을 위해 설계된 LLM 기반 에이전트 프레임워크인 CADDesigner를 제안합니다. 이 시스템은 텍스트 설명과 스케치와 같은 다중 모달 입력을 수용하고 설계 요구 사항을 정제하기 위해 대화형 대화를 수행합니다.

1. 에이전트 아키텍처 (ReAct 패러다임)

CADDesigner 는 반복적 추론, 도구 실행, 피드백 정제를 통해 모델링 프로세스를 조율하는 ReAct 스타일 에이전트를 사용합니다. 워크플로우에는 다음이 포함됩니다:

• 요구 사항 정제 ($T_1$): 대화형 대화를 통해 다중 모달 사용자 입력을 상세한 설계 명세로 변환합니다.
• 지식 제약 코드 생성 ($T_2$): 구조화된 지식 베이스에서 관련 함수 주석과 사례 예시를 검색하여 실행 가능한 CAD 모델링 코드를 생성합니다.
• 명령 실행 ($T_3$): 생성된 Python 코드를 실행하여 CAD 모델을 생성합니다.
• 시각적 피드백 ($T_4$): 생성된 모델의 다중 뷰 스냅샷을 렌더링하고 시각적 질문 응답 메커니즘을 사용하여 오류를 진단하고 모델이 사용자 의도를 충족하는지 판단합니다. 모델이 실패할 경우, 피드백은 에이전트가 코드를 반복적으로 정제하도록 안내합니다.

2. 명시적 맥락 명령형 패러다임 (ECIP)

핵심 혁신은 CadQuery 위에 구축된 경량 API 레이어 (SimpleCADAPI) 를 통해 구현된 새로운 표현 스타일인 **명시적 맥락 명령형 패러다임 (ECIP)**입니다.

• 명시적 상태 전이: 암시적 내부 상태에 의존하는 CadQuery 의 유창한 API 와 달리, ECIP 는 모든 입력 객체와 매개변수를 각 작업에 명시적으로 전달하도록 강제합니다 ($S_{k+1} = g_k(S_k, p_k)$).
• LLM 친화적 설계:
  • 구조화된 오류 처리: 오류는 자동 디버깅을 용이하게 하기 위해 (원인, 위치, 시정 조치) 의 구조화된 3 튜플로 반환됩니다.
  • 명시적 타입 주석: 함수 이름은 타입 모호성을 제거하기 위해 엄격한 패턴 (ActionName_rReturnType) 을 따릅니다 (예: Wire와 Edge 구분).
  • 자기 진화 작업: 시스템은 "플랜지"나 "나사"와 같은 복합 작업을 정의하고 재사용할 수 있도록 지원하여 에이전트가 도메인 지식을 축적하고 활용할 수 있게 합니다.

3. 지식 베이스 및 검색

이 시스템은 함수 주석과 기본 모델 사례를 포함하는 구조화된 지식 베이스 ($\mathcal{K}$) 를 활용합니다. 이는 검색 증강 생성 (RAG) 을 통해 통합되어 의미론적 및 구조적 참조를 제공하며, 생성된 코드가 API 의미론과 일치하고 환각을 줄이도록 보장합니다.

주요 기여

1. CADDesigner 프레임워크: 다중 모달 입력에서 CAD 스크립트를 생성하기 위해 요구 사항 분석, 지식 제약 코드 생성, 비전 기반 오류 수정을 통합하는 범용 에이전트.
2. 명시적 맥락 명령형 패러다임 (ECIP): CAD 작업을 분리하고 명시적 타입 주석 및 오류 표현을 통해 코드 품질을 향상시키며 돌출, 회전, 필렛, 로프팅 등 다양한 작업을 지원하는 새로운 코드 생성 패러다임.
3. 반복적 시각적 피드백: 다중 뷰 렌더링과 시각적 질문 생성을 사용하여 사용자 의도에 대한 모델 기하학을 검증하고, 루프 중 인간 개입 없이 자기 수정을 가능하게 하는 메커니즘.
4. 구조화된 지식 축적: 성공적인 설계 사례를 구조화된 지식 베이스에 저장하여 지속적인 학습과 코드 생성 개선을 용이하게 하는 메커니즘.

실험 결과

저자들은 DeepCAD 데이터셋 (약 178K 모델) 에서 CADDesigner 를 평가했으며, 1,000 개 모델의 테스트 하위 집합을 베이스라인과 비교하고 200 개 모델을 제거 분석에 사용했습니다.

• 베이스라인 대비 성능: CADDesigner 는 기하학적 충실도 지표 (IoU, Chamfer Distance, Hausdorff Distance) 및 의미론적 정렬에서 대표적인 베이스라인 (Text2CAD, cadrille, CADCodeVerify) 보다 우수한 성능을 보였습니다. 특히 cadrille은 높은 구문 성공률 (SUC) 을 달성했지만, 그 출력물은 종종 입력 지시와 의미론적 정렬이 부족했습니다.
• 제거 분석:
  • ECIP 구성 요소: 구조화된 오류 처리나 타입 주석을 제거하면 성능이 크게 저하되었습니다 (Pass@1 감소, 재시도 횟수 증가, SUC 감소). 이는 명시적 맥락과 오류 신호의 필요성을 확인시켜 줍니다.
  • 입력 모달리티: 텍스트와 이미지 입력의 조합이 가장 좋은 결과를 보여주었으며, 이는 시각적 단서가 텍스트만으로는 해결할 수 없는 모호성을 해소함을 입증했습니다.
  • LLM 백엔드: 시스템은 다양한 LLM 백엔드 (Claude-4-Sonnet, Gemini-2.5-Pro, GPT-5.2-Codex) 에서 견고한 성능을 보였으며, Claude-4-Sonnet 이 약간 더 우수한 기하학적 충실도를 나타냈습니다.
• 다른 패러다임과의 비교: 동일한 에이전트 프레임워크 내에서 CadQuery 및 build123d 표현 스타일과 비교했을 때, ECIP 는 가장 높은 교집합 비율 (IoU) 과 성공률 (SUC) 을 달성했습니다. 이는 build123d 의 더 빠른 지연 시간에도 불구하고 LLM 기반 생성에는 명시적 맥락 표현이 우수함을 나타냅니다.

중요성 및 주장

이 논문은 CADDesigner 가 추상적 아이디어를 정밀한 파라메트릭 모델로 변환하는 과정을 자동화함으로써 개념적 CAD 모델링의 진입 장벽을 성공적으로 낮췄다고 주장합니다. 그 중요성은 다음과 같습니다:

• 전문성 요구 사항 감소: 반복적 정제와 오류 수정을 자율적으로 처리함으로써 제한된 CAD 전문성을 가진 사용자들이 복잡한 3D 모델을 생성할 수 있게 합니다.
• 코드 신뢰성 향상: ECIP 패러다임은 LLM 이 암시적 상태를 추적하는 데 있어 특정 한계를 해결하여 기존 유창하거나 기호적인 API 에 비해 더 신뢰할 수 있고 해석 가능한 코드 생성을 가능하게 합니다.
• 확장성: 시스템은 단순 돌출 기반 모델링을 넘어 다양한 작업과 표준 구성 요소 (예: 플랜지, 나사) 를 지원합니다.

저자들은 한계를 인정하며, 복잡한 모델의 경우 엔드투엔드 지연 시간이 여전히 무시할 수 없으며 현재 프레임워크에는 제조 제약, 공차와 같은 특정 산업 도메인 지식이 부족하다고 지적합니다. 향후 작업은 포인트 클라우드 입력을 통합하고 산업 응용을 위한 추론 효율성을 최적화하는 것을 목표로 합니다.