기술 요약: Linkify – 인터페이스 증강 어셈블리 그래프를 통한 학습

문제 정의

컴퓨터 지원 설계(CAD)를 위한 생성형 AI의 최근 발전은 주로 고립된 부품이나 단일 조립품(monolithic assemblies)에 집중되어 왔으며, 상호작용하는 구성 요소 간의 인터페이스에서 발견되는 결정적인 기하학적 정보는 종종 간과되어 왔습니다. 기존의 어셈블리 그래프 표현 방식은 노드로 부품을, 에지로 키네마틱 조인트(kinematic joints)나 계층 구조를 활용하지만, 부품이 어떻게 맞물리고 기능하는지를 정의하는 정밀한 접촉 기하학(contact geometry)은 누락하는 경우가 많습니다. 이러한 인터페이스 인식의 부재는 "여기에 무엇이 적합한가"를 이해하는 것이 필수적인 부품 검색(part retrieval)과 같은 문맥 인식 작업에서 머신러닝 모델의 능력을 제한합니다. 또한, Fusion 360 Gallery Assembly 데이터셋과 같은 기존 데이터셋은 오류가 있거나 인터페이스 데이터가 누락되어 있어, 강건한 모델을 학습시키는 데 방해가 됩니다.

방법론

저자들은 인터페이스 증강 어셈블리 그래프를 활용하여 기계 부품의 문맥 의존적 표현을 학습하는 프레임워크인 Linkify를 제안합니다. 이 방법론은 세 가지 주요 단계로 구성됩니다.

1. 데이터셋 재구성 및 증강

저자들은 고충실도 인터페이스 기하학을 계산함으로써 데이터 품질 문제를 해결합니다. 이를 위해 Fusion 360 Gallery Assembly 데이터셋 전체(8,251개 어셈블리, 154,468개 부품)에 대해 재계산을 수행했습니다.

• 인터페이스 계산: Open CASCADE Technology (OCCT) B-Rep 커널을 사용하여, 접촉하는 면들 사이의 정확한 기하학적 교차를 계산하기 위해 네이티브 불리언 연산(BRepAlgoAPI_Common)을 수행합니다.
• 포인트 클라우드 생성: 이러한 정밀한 교차 체적(intersection volumes)으로부터 신경망 인코더의 입력으로 사용될 포인트 클라우드를 샘플링합니다 (인터페이스당 2,048개 포인트).
• 그래프 구축: 노드는 개별 부품을 나타내고 에지는 계산된 접촉을 나타내는 어셈블리 그래프를 구축합니다.
• 레이블링: 부품 임베딩에 대한 비지도 k-means 클러스터링($k=500$)을 통해 노드 레이블을 생성하여, 부품 검색 작업을 위한 기하학적 카테고리 어휘(vocabulary)를 만듭니다.

2. 그래프 표현 및 임베딩

프레임워크는 인터페이스 증강 그래프 $G = (V, E, M, Y)$를 구축합니다.

• 노드 임베딩: 부품 기하학은 사전 학습된 포인트 클라우드 인코더를 사용하여 인코딩됩니다. 저자들은 두 가지 모델인 PointMAE(ShapeNet에서 사전 학습)와 DGCNN(ModelNet40에서 사전 학습)을 평가합니다.
• 에지 임베딩: 인터페이스 기하학은 동일한 PointMAE 인코더를 사용하여 인코딩되며, 이는 국부적 접촉 영역의 형상을 포착하는 384차원 벡터를 생성합니다.
• 태스크 정식화: 시스템은 마스크된 부품 예측(masked part prediction) 태스크에 대해 학습됩니다. 하나의 노드가 마스킹된(특징 벡터가 0으로 설정된) 어셈블리 그래프가 주어졌을 때, 모델은 500개의 클래스로 구성된 어휘 내에서 누락된 부품의 클러스터 레이블을 예측해야 합니다. 이는 문맥 인식 부품 검색을 위한 대리 작업(proxy task) 역할을 합니다.

3. 모델 아키텍처

핵심 모델은 GATv2 변형을 사용하는 **그래프 어텐션 네트워크(Graph Attention Network, GAT)**입니다.

• 동적 어텐션(Dynamic Attention): 표준 GAT와 달리, GATv2는 소스 노드, 타겟 노드 및 쿼리 자체를 기반으로 어텐션 가중치를 동적으로 계산하여, 더욱 표현력이 높고 문맥 의존적인 메시지 전달을 가능하게 합니다.
• 학습: 모델은 불균형 문제를 해결하기 위해 클래스 가중치가 적용된 크로스 엔트로피 손실(cross-entropy loss)을 사용하여 학습되며, 코사인 어닐링 스케줄(cosine annealing schedule)을 따르는 Adam 옵티마이저를 통해 최적화됩니다.

주요 기여

1. 인터페이스 인식 데이터셋: 저자들은 모든 어셈블리에 대해 재계산된 기하학적 인터페이스 정의(접촉 영역, 체적 및 포인트 클라우드)를 특징으로 하는, 수정된 고충실도 Fusion 360 Gallery Assembly 데이터셋을 제공합니다.
2. Linkify 프레임워크: 인터페이스 기하학을 에지 속성으로 명시적으로 포함하는 새로운 GNN 아키텍처(GATv2 기반)를 제시하며, 이러한 특징들을 어셈블리 그래프 학습 파이프라인에 통합하는 방법을 보여줍니다.
3. 경험적 검증: 그래프 토폴로지, 에지 속성 및 어텐션 메커니즘의 중요성을 정량적으로 측정하기 위해 포괄적인 일련의 절제 연구(ablation studies)와 베이스라인 비교를 수행합니다.

결과

저자들은 다음과 같은 베이스라인들을 대상으로 모델을 평가합니다: Random Guess, Majority Class, 로지스틱 회귀(집계된 노드 특징 기반), 그리고 k-최근접 이웃(k-Nearest Neighbors).

• 성능: PointMAE를 인코더로 사용했을 때, Linkify는 **Top-1 정확도 6.34%**와 **F1 점수 6.01%**를 달ей합니다. 이는 가장 강력한 비-그래프 베이스라인(로지스틱 회귀, Top-1: 5.99%)보다 우수하며, F1 점수에서 28%의 상대적 개선을 나타냅니다.
• 인코더 민감도: DGCNN을 사용한 모델은 로지스틱 회귀보다 성능이 낮았는데, 이는 DGCNN의 사전 학습(ModelNet40)과 CAD 기하학 사이의 불일치가 병목 현상임을 강조합니다. 반면 PointMAE(ShapeNet)는 기계 부품에 더 잘 일반화됩니다.
• 절제 연구(Ablation Studies):
  • 연결성(Connectivity): 에지를 무작위로 재연결(rewiring)했을 때 Top-1 정확도가 13.6% 하락했고, 에지의 10%를 제거했을 때는 23.8% 하락하여, 올바른 인터페이스 연결성이 매우 중요하다는 것을 확인했습니다.
  • 에지 속성(Edge Attributes): 에지 속성을 제거하면 Top-1 정확도가 상대적으로 5.4% 하락했고, 이를 무작위화하면 7.9% 하락하여, 인터페이스 임베딩의 의미론적 가치를 입증했습니다.
  • 어텐션 메커니즘: GATv2는 표준 GAT보다 Top-1 정확도에서 16.1% 더 높은 성능을 보였으며, 이는 인터페이스 정보를 반영하는 그래프를 위한 동적 어텐션의 필요성을 검증합니다.
• 정성적 분석: 모델은 기하학적 및 기능적 유사성(예: 기어, 원통형 부품)을 가진 부품을 올바른 어셈블리 문맥 내에서 성공적으로 검색합니다. 그러나 부품이 종횡비는 비슷하지만 인터페이스 상세 정보가 호환되지 않거나, 기능적 역할이 순수하게 기하학적이지 않은 경우 실패 사례가 발생합니다.

의의 및 주장

본 논문은 Linkify를 완전한 어셈블리 합성 또는 적합성 검증 시스템이 아니라, **검색 지향적 탐색 태스크(retrieval-oriented probe task)**로서 인터페이스 기하학이 부품의 기능을 이해하는 데 결정적이라는 가설을 검증하는 도구로 규정합니다.

• 미래 연구를 위한 토대: 저자들은 수정된 데이터셋과 인터페이스 인식 그래프 표현이 어셈블리 검색, 검증 및 생성적 설계(generative design)를 위한 모델의 필수적인 기초를 제공한다고 주장합니다.
• 문맥 인식: 본 연구는 고립된 부품의 유사성을 넘어 어셈블리 문맥과 인터페이스 제약을 포함하는 것이 더 나은 검색 성능을 가져온다는 것을 입증합니다.
• 제한된 범위: 저자들은 현재 모델이 기하학적 유사성을 넘어선 기능적 역할을 다루는 데 어려움이 있고, 노이즈를 유발할 수 있는 사전 학습된 인코더에 의존한다는 점을 명시하며 한계를 인정합니다. 그들은 현재의 결과를 더 풍부한 기술자(키네마틱스, 물리적 특성)와 더 큰 규모의 데이터셋을 필요로 하는 완전한 폐쇄 루프(closed-loop) 시스템으로 나아가기 위한 단계로 규정합니다.

저자들은 자동화된 어셈블리 이해 문제가 여전히 미해결 상태이지만, 인터페이스 증강 접근 방식이 학습된 기하학적 정보와 접촉 정보를 결합한 그래프 기반 표현이 계층적 어셈블리 관계를 모델링하는 데 필수적임을 확립한다고 결론짓습니다.