기술 요약: AgentsCAD

문제 정의

적층 제조(FDM)를 통해 제조된 부품은 출력 가능성, 구조적 무결성 및 후처리 최소화를 보장하기 위해 설계 의도 기반 제조(DFAM) 수정이 빈번하게 요구됩니다. 기존의 슬라이싱 소프트웨어는 가파른 오버행(수직으로부터 약 45° 이상 기울어진 표면)과 같은 결함을 식별할 수는 있지만, 근간이 되는 B-Rep(경계 표현) 기하 구조를 수정하는 능력은 부족합니다. 기존 문헌들은 고립된 하위 문제들을 다룹니다. Text-to-CAD 시스템은 프롬프트로부터 새로운 기하 구조를 생성하지만 기존 부품을 수정할 수는 없으며, 자동 기능 인식(AFR) 네트워크는 면 유형을 분류하지만 기하학적 해결책을 제안하지 못하고, 제조 가능성 도구들은 결함을 예측할 뿐 교정 전략을 생성하지 못합니다. 결과적으로 엔지니어들은 이러한 문제를 해결하기 위해 CAD와 슬라이서 플랫폼 사이를 수동으로 반복 이동해야 합니다. 따라서 기존 CAD 부품을 파싱하고, 그 제조 가능성을 추론하며, 특정 결함을 해결하기 위해 B- even Rep 기하 구조를 자동으로 수정할 수 있는 폐쇄 루프(closed-loop) 시스템의 부재는 중요한 공백으로 남아 있습니다.

방법론

저자들은 타겟팅된 DFAM을 자동화하기 위해 B-Rep 기하 구조와 대규모 언어 모델(LLM)의 추론을 연결하는 멀티 에이전트 시스템인 AgentsCAD를 제an합니다. 이 시스템은 9개의 별도 단계를 조율하기 위해 공유 상태 객체를 활용하는 블랙보드(Blackboard) 아키텍처 상에서 작동합니다. 이 설계는 구성 요소를 분리하여, 조정 로직을 재설계하지 않고도 결정론적인 규칙 기반 단계와 교체 가능한 에이전트를 사용할 수 있게 합니다.

1. 기하 표현 및 파싱

워크플로우는 CadQuery를 사용하여 STEP 파일을 파싱하여 B-Rep 토폴로지를 탐색하는 것으로 시작됩니다. LLM이 기하 구조를 읽을 수 있도록, 시스템은 수천 개의 면, 모서리, 정점을 구조화되고 압축된 JSON 프롬프트로 변转换합니다. 이 표현에는 다음이 포함됩니다:

• 스칼라 속성: 표면 유형(평면, 원통형 등), 면적, 중심점, 부호가 있는 기울기 각도, 회전 반경, 신장 지수.
• 토폴로지 컨텍스트: 원시 스칼라 배열이 표현할 수 없는 공유 모서리 관계를 인코딩하는 명시적인 면-인접 그래프(links 리스트로 직렬화됨).
• 의미론적 증강: MFCAD++ 코퍼스(59,665개 부품)로 학습된 GraphSAGE 모델이 25개 클래스의 의미론적 특징 레이블(예: rect_pocket, chamfer)과 신뢰 점수를 생성합니다. 이는 제조 컨텍스트를 제공하기 위해 프롬프트에 주입됩니다.

2. 멀티 에이전트 워크플로우

시스템은 다음 단계들을 실행합니다:

• 결함 탐지 (규칙 기반): 결정론적 모듈이 표면 법선이 $\theta = \arccos(\hat{n}_{face} \cdot \hat{z}_{plane}) \le 0$을 만족하는 면을 오버행으로 플래그합니다. 이는 검증 가능한 그라운드 트루스를 확립합니다.
• 설계 추론 (LLM): Claude Sonnet 4.6 에이전트가 CoT(Chain-of-Thought) 추론을 사용하여 JSON 프롬프트를 분석합니다. 이 에이전트는 좌표 변환 환각(hallucination)을 방지하기 위해 정확한 오일러 각도를 계산하고 "정신적 회전(mental rotation)"을 수행할 수 있도록 모델 컨텍스트 프로토콜(MCP) 도구(check_orientation_overhangs, lay_face_to_build_surface)에 의해 접지(grounded)됩니다. 에이전트는 재배향, 필렛, 챔퍼, 티어드롭(teardrop) 또는 부품 분할을 권장합니다.
• 수정: 스크립트는 CadQuery를 통해 권장된 연산을 프로그래밍 방식으로 적용합니다. 재배향은 면 ID의 무결성을 보존하기 위해 마지막에 수행됩니다.
• 시각적 검증: GPT-4o 시각-언어 모델이 수정된 부품의 렌더링 뷰(2048×2048 픽셀)를 검사합니다. 이 모델은 기하학적 무결성(예: "모서리가 매끄럽게 둥글게 보입니까?")에 대한 타겟팅된 Yes/No 질문에 답하고 실패 사례를 블랙보드에 기록합니다.
• RAG 메모리: 부품 전체에 걸쳐 기술적 뉘앙스를 축적하기 위해, 시스템은 검색 증강 생성(RAG)을 사용합니다. 과거의 분석 상태는 FAISS 벡터 스토어에 인코딩되어 저장되며, 새로운 부품의 추론을 돕기 위해 검색됩니다.

주요 기여

1. 폐쇄 루프 DFAM 자동화: 저자들이 아는 바에 따르면, AgentsCAD는 단순히 새로운 기하 구조를 생성하거나 결함을 예측하는 것을 넘어, 기존 부품의 B-Rep 기하 구조를 직접 수정하여 제조 결함을 해결하는 최초의 시스템입니다.
2. 구조화된 기하-언어 변환: 본 논문은 스칼라 기술자와 명시적 토폴로지 인접 그래프를 결합한 구조화된 JSON 표현이 LLM이 맥락적인 DFAM 추론을 수행하는 데 충분함을 입증하며, 이를 통해 원시 스칼라 배열의 한계를 극복합니다.
3. 귀납적 특징 인식: 본 연구는 CAD 기능 인식을 위해 GCN(Graph Convolutional Networks) 대신 GraphSAGE를 사용하는 것의 유효성을 검증합니다. GraphSAGE의 귀납적 특성은 보지 못한 STEP 파일로 일반화할 수 있게 하며, 결합 기반 집계는 대칭 정규화를 통해 로컬 기하 구조를 희석시키는 GCN과 달리 자기 특징(self-features)을 보존합니다.
4. 기하학적 접지의 필요성: 절제 연구(ablation studies)를 통해, 저자들은 MCP 도구 접지가 신뢰할 수 있는 추론을 위한 전제 조건임을 보여줍니다. 회전을 검증할 도구가 없으면 LLM은 높은 확신을 가지고 좌표 변환을 지속적으로 환각합니다.

결과

특징 인식 성능

MFCAD++ 홀드아웃 테스트 세트에서, UV-net 표면 법선 증강을 적용한 GraphSAGE 아키텍처는 다음과 같은 최첨단 성능을 달しまいました:

• 정확도: 85.0%
• Macro F1: 0.785
• 비교: 이는 GCN 베이스라인(정확도 53.8%, Macro F1 0.469)을 크게 상회하는 수치입니다. 성능 격차는 더 풍부한 특징 세트와 함께 넓어졌으며, 이는 GraphSAGE가 소수 클래스의 신호를 희석하지 않고 추가 정보를 더 잘 활용함을 확인시켜 줍니다.
• 시각화: 오분류는 주로 특징 경계(특징과 스톡 재료 사이의 전이 구역)에 클러스터링되는 것으로 나타났으며, 이는 향후 연구에서 경계 인식 손실 가중치(boundary-aware loss weighting)가 유익할 수 있음을 시사합니다.

엔드 투 엔드 검증

시스템은 기본 방향에서 심각한 오버행을 나타내는 두 개의 원통형 구멍이 포함된 새집(birdhouse) 모델을 통해 검증되었습니다.

• 해결: 시스템은 오버행을 정확히 식별하고, RAG를 통해 관련 도메인 지식을 검색했으며, 특정 면 위에 놓는 재배향 전략과 남은 수평 구멍에 대한 티어드롭(teardrop) 수정을 결합하여 권장했습니다.
• 결과: 수정된 STEP 파일은 실행 가능한 오버행이 0개였습니다. 부피 변화량은 -0.75%였으며, 이는 티어드롭 프로파일에서 예상되는 재료 제거량과 일치합니다.
• 검증: 시각적 검증기는 기하학적 무결성을 확인하였으며, 불확나한 플래그는 실제 결함보다는 렌더링 해상도 때문이라고 판단했습니다.

의의 및 주장

본 논문은 AgentsCAD가 B-Rep 기하 구조와 LLM 추론 사이의 간극을 오버행 해결이라는 구체적이고 다룰 수 있는 문제에 대해 성공적으로 메웠다고 주장합니다. 이 시스템은 물리적으로 유효한 수정된 STEP 파일과 인간이 읽을 수 있는 제조 보고서를 생성합니다.

저자들은 세 가지 주요 발견을 강조합니다:

1. 명시적 토폴로지를 포함한 구조화된 JSON은 안정성 분석을 포함한 복잡한 DFAM 추론을 수행하기에 충분합니다.
2. GraphSAGE는 그 귀납적 능력과 자기 특징 보존 덕분에 이 도메인에서 GCN보다 우월합니다.
3. 도구를 통한 기하학적 접지는 선택적인 향상이 아니라 신뢰할 수 있는 DFM 추론을 위한 근본적인 요구 사항입니다. 도구가 없으면 LLM은 물리적 변환을 환각합니다.

이 연구는 완전 자동화된 DFAM을 향한 하나의 단계로 자리매김하며, 현재의 한계(대형 부품에 대한 컨텍스트 크기 제한, 어셈블리 지원 부족, 단일 추론 에이전트에 대한 의존성 등)를 인정합니다. 향 후 연구로는 특정 결함(예: 응력 집중)을 위한 전용 하위 에이전트, 능동적 GraphSAGE 주입, 그리고 차세대 모델(예: GPT-5)의 통합 등이 제안되었습니다.