Towards High-Fidelity CAD Generation via LLM-Driven Program Generation and Text-Based B-Rep Primitive Grounding

이 논문은 LLM 과 B-Rep Grounding Transformer(BRepGround) 를 활용하여 자연어 기반의 기하학적 선택을 가능하게 함으로써 복잡한 산업용 제품 설계를 위한 고정밀 CAD 생성을 실현하는 새로운 프레임워크 'FutureCAD'를 제안하고, 이를 통해 기존 파라메트릭 모델링과 B-Rep 합성 간의 간극을 해소하며 최첨단 성능을 달성함을 보여줍니다.

핵심

🍳 1. 기존 AI 의 문제: "요리사"와 "건축가"의 오해

과거의 AI 는 크게 두 가지 방식으로 3D 모델을 만들었습니다.

1. 순서대로 요리하는 방식 (Parametric Modeling):

   • "먼저 정육면체를 만들고, 그다음 구멍을 뚫고, 그다음 모서리를 둥글게 해라"라고 순서대로 지시를 내리는 방식입니다.
   • 문제점: 하지만 실제 요리 (디자인) 에서는 "그 정육면체 위쪽 모서리를 둥글게 해라"라고 해야 합니다. 그런데 AI 는 "어떤 정육면체?"라고 헷갈려 하거나, 이미 만들어진 모양의 **구체적인 부분 (모서리, 면)**을 정확히 가리키지 못해 실패했습니다.

2. 완성된 조각을 만드는 방식 (B-Rep Synthesis):

   • 처음부터 끝까지 모양을 한 번에 만들어내는 방식입니다.
   • 문제점: 모양은 비슷하게 나오지만, 나중에 "이 부분만 조금 더 넓게 해줘"라고 수정하려면 다시 처음부터 만들어야 할 정도로 수정이 매우 어렵습니다.

핵심 문제: 현대의 3D 디자인 프로그램은 이 두 가지가 섞여 있습니다. "순서대로 만들되, 중간중간 이미 만들어진 모양의 특정 부분을 정확히 가리켜 수정해야 합니다." 기존 AI 는 이 '가리키는 것'을 잘 못해서 복잡한 디자인을 만들지 못했습니다.

---

🏗️ 2. 이 연구의 해결책: 'FutureCAD'라는 새로운 팀

이 논문은 FutureCAD라는 새로운 시스템을 소개합니다. 이 시스템은 두 명의 전문가가 팀을 이뤄 일합니다.

👨‍💻 1 인: 코딩을 잘하는 '대장 요리사' (LLM)

• 역할: 사용자의 말 ("원통형 기둥 위에 육각형 뚜껑을 얹고, 모서리를 둥글게 해줘") 을 듣고 **요리 레시피 (코드)**를 작성합니다.
• 특이점: 이 요리사는 "모서리를 둥글게 해라"라고만 쓰지 않고, **"그 육각형 뚜껑의 모서리 중 가장 바깥쪽 네 개를 둥글게 해줘"**라고 자연어로 적어줍니다.

🧐 2 인: 모양을 잘 보는 '건축 감시자' (BRepGround)

• 역할: 대장 요리사가 쓴 레시피를 보며, "그 육각형 뚜껑의 바깥쪽 네 모서리"가 정확히 어디인지 찾아냅니다.
• 작동 원리: AI 는 3D 모델의 모든 면과 모서리를 스캔하고, 요리사의 말 ("바깥쪽 네 모서리") 과 비교해서 정확히 어떤 면을 선택해야 할지 찾아냅니다.
• 비유: 마치 건축 감시자가 "2 층 창문 왼쪽 모서리"라는 말만 듣고, 복잡한 건물의 3D 도면에서 정확히 그 창문을 찾아내어 "여기다!"라고 손가락으로 가리키는 것과 같습니다.

이 두 명이 협력하면, 복잡한 디자인도 자연스럽게 만들어집니다.

---

📚 3. 어떻게 배우게 했나요? (학습 과정)

이 팀을 훈련시키기 위해 연구자들은 14 만 개 이상의 실제 3D 디자인 데이터를 준비했습니다.

1. 기초 교육 (SFT): "이런 모양을 만들려면 이런 코드를 써야 해"라고 가르쳐 기본 실력을 키웠습니다.
2. 실전 훈련 (RL): 실제로 코드를 실행해보고, 모양이 잘 만들어졌는지, 코드가 오류가 없는지 확인했습니다. 실패하면 점수를 낮게 주고, 성공하면 점수를 높게 주어 실수하지 않도록 훈련시켰습니다.

---

🏆 4. 결과는 어떨까요?

• 정확도: 기존 방법들보다 훨씬 더 정교하고 복잡한 디자인 (모서리 다듬기, 구멍 뚫기 등) 을 정확하게 만들었습니다.
• 오류 감소: 코드가 실행되지 않거나 모양이 망가지는 경우가 거의 없어졌습니다.
• 유연성: 처음 본 디자인도 잘 만들어낼 수 있어, 새로운 디자인을 빠르게 시도해 볼 수 있습니다.

💡 요약

이 연구는 **"AI 가 사람의 말을 듣고 3D 모델을 만들 때, '어떤 부분'을 수정해야 할지 정확히 알아내는 능력"**을 키워주었습니다.

마치 명령을 내리는 요리사와 정확히 재료를 찾아주는 조수가 완벽한 팀워크를 이루는 것처럼, 이 시스템은 복잡한 3D 디자인도 자연스러운 대화로 쉽게 만들어낼 수 있게 해줍니다. 앞으로는 디자인을 잘 모르는 사람도 말만 하면 복잡한 기계 부품이나 건축물을 쉽게 설계할 수 있게 될 것입니다.

기술 요약

논문 요약: FutureCAD - LLM 기반 프로그램 생성과 텍스트 기반 B-Rep 프리미티브 그라운딩을 통한 고충실도 CAD 생성

1. 문제 정의 (Problem Definition)

최근 CAD(Computer-Aided Design) 생성 분야에서 두 가지 주요 패러다임이 존재하지만, 각각 한계가 있습니다.

• 매개변수 모델링 (Parametric Modeling): CAD 모델을 매개변수 작업의 시퀀스로 표현합니다. 해석 가능성과 편집성이 뛰어나지만, 필릿 (fillet), 챔퍼 (chamfer) 와 같은 고급 기능은 실행 시점의 B-Rep(경계 표현) 기하학적 프리미티브 (면, 모서리 등) 를 명시적으로 선택해야 하므로, 단순한 매개변수 히스토리만으로는 이러한 작업을 수행하기 어렵습니다.
• B-Rep 합성 (B-Rep Synthesis): 기하학적 구조와 위상 구조를 직접 모델링하여 고급 기능을 지원하지만, 매개변수 구조와 설계 의도를 잃어버려 생성된 모델을 재사용하거나 수정하기 어렵습니다.

현대 CAD 시스템에서는 이 두 가지가 밀접하게 얽혀 있습니다. 그러나 기존 AI 기반 CAD 생성 방법론들은 이 두 패러다임을 분리된 문제로 취급하여, 복잡한 산업용 제품 설계에 필요한 고충실도 (High-Fidelity) CAD 모델 생성을 제한하는 병목 현상을 초래했습니다.

2. 제안 방법: FutureCAD (Methodology)

이 논문은 텍스트 설명을 입력받아 고충실도 CAD 모델을 생성하는 새로운 프레임워크인 FutureCAD를 제안합니다. FutureCAD 는 LLM 기반의 프로그램 생성과 텍스트 기반의 B-Rep 프리미티브 그라운딩을 통합합니다.

• 핵심 아키텍처:

  1. LLM 기반 CadQuery 스크립트 생성: 대규모 언어 모델 (LLM) 이 자연어 설명을 받아 실행 가능한 CadQuery 스크립트를 생성합니다. 이때 B-Rep 프리미티브 선택이 필요한 경우, LLM 은 직접 코드로 선택하는 대신 **자연어 쿼리 (Textual Query)**를 생성합니다.
  2. BRepGround (B-Rep Grounding Transformer): 실행 과정에서 BRepGround 모듈이 현재까지 생성된 B-Rep 상태와 LLM 이 생성한 텍스트 쿼리를 입력받아, 해당 텍스트가 가리키는 정확한 기하학적 프리미티브 (면, 모서리 등) 를 식별하고 매핑합니다.
  3. 실행 및 피드백: 식별된 프리미티브는 CAD 커널에 전달되어 해당 기능 (예: 필릿) 을 적용하고, 최종 B-Rep 을 생성합니다.

• 데이터셋 구축:

  • 14 만 개 이상의 실제 세계 CAD 모델로 구성된 새로운 데이터셋을 구축했습니다.
  • 각 모델은 LLM 학습을 위한 기하학적 설명 (Abstract 및 Detailed) 과 BRepGround 학습을 위한 프리미티브 선택용 텍스트 쿼리로 주석 처리되었습니다.
  • CadQuery 코드를 재작성하여 네이티브 API 를 더 풍부하게 활용하도록 확장했습니다.

• 학습 전략 (2 단계):

  1. 지도 미세 조정 (SFT): LLM 이 기본 CAD 생성 및 이해 능력을 갖추도록 훈련합니다.
  2. 강화 학습 (RL): 생성된 프로그램의 실행 성공 여부와 기하학적 유사성 (Chamfer Distance 기반 보상) 을 통해 일반화 능력과 유효성을 개선합니다. 그룹 시퀀스 정책 최적화 (GSPO) 를 사용합니다.

3. 주요 기여 (Key Contributions)

1. FutureCAD 프레임워크: LLM 기반 프로그램 생성과 텍스트 기반 B-Rep 프리미티브 그라운딩을 통합한 최초의 범용 텍스트 -to-CAD 패러다임을 제시하여, 실제적인 기능 기반 CAD 모델링을 가능하게 했습니다.
2. 대규모 고품질 데이터셋: 필릿, 챔퍼, 쉘 (shell) 과 같은 고급 기능을 포함하는 14 만 개 이상의 실제 CAD 모델과 상세한 주석, CadQuery 코드 표현을 제공합니다.
3. BRepGround 모델: 텍스트 쿼리를 기하학적 프리미티브에 매핑하는 새로운 작업과 이를 위한 트랜스포머 기반 모델을 제안했습니다.
4. 성능 입증: SFT 와 RL 을 결합한 2 단계 학습 전략을 통해, 분포 내 (in-distribution) 및 분포 외 (out-of-distribution) 벤치마크에서 최첨단 (SOTA) 성능을 달성했습니다.

4. 실험 결과 (Results)

• 정량적 평가:
  • 고급 기능 서브셋 (Advanced Subset): 제안된 방법은 Chamfer Distance (CD) 가 가장 낮아 기하학적 충실도가 높았으며, **유효하지 않은 생성 비율 (Invalidity Ratio) 이 1.01%**로 기존 방법들보다 월등히 낮았습니다.
  • 표준 서브셋 및 OOD (Fusion360): 표준 모델에서도 CD 를 크게 개선 (중앙값 37.47 → 14.68) 하였고, 유효하지 않은 비율은 0.91% 로 유지되었습니다. 분포 외 데이터에서도 강력한 일반화 능력을 보였습니다.
  • BRepGround 성능: 텍스트 기반 B-Rep 그라운딩 작업에서 mAP 63.07%, F1 50.23% 를 기록하여 기존 베이스라인 (CLIP-DE, Late Fusion 등) 을 크게 앞섰습니다.
• 정성적 평가: 필릿과 챔퍼와 같은 미세한 기하학적 세부 사항을 정확하게 포착하여, 기존 방법들이 생성하지 못하거나 유효하지 않은 모델을 만드는 문제를 해결했습니다.

5. 의의 및 결론 (Significance)

이 연구는 AI 기반 CAD 생성의 핵심 병목 현상이었던 '매개변수 설계 히스토리'와 '실행 시 B-Rep 프리미티브 선택' 간의 간극을 해소했습니다.

• 실용성: 현대의 기능 기반 CAD 시스템 (CadQuery 등) 과 자연스럽게 통합되어 실제 산업 디자인 워크플로우에 바로 적용 가능합니다.
• 기술적 진보: LLM 의 자연어 이해/생성 능력과 기하학적 추론을 결합하여, 복잡한 산업용 제품 설계도 자연어만으로 고충실도 CAD 모델로 변환할 수 있는 가능성을 열었습니다.
• 미래 전망: 비전문가도 CAD 도구를 쉽게 접근할 수 있게 하여 프로토타이핑 속도를 높이고, 설계 자동화의 새로운 지평을 열 것으로 기대됩니다.

이 논문은 단순히 CAD 모델을 생성하는 것을 넘어, 설계 의도 (Design Intent) 를 유지하면서 복잡한 기하학적 기능을 구현할 수 있는 AI 프레임워크의 새로운 표준을 제시했다는 점에서 의의가 큽니다.