💻 computer science

TraceCAD: Trace-Guided Repair for Agentic CAD Generation

TraceCAD는 특징, 실패, 수리 과정을 연결하는 지속적인 상태를 유지하여 국소적이고 증거 기반의 자기 수정을 가능하게 함으로써, 기하학적 품질과 수리 신뢰성을 크게 향상시키는 동시에 토큰 비용과 지연 시간을 줄여주는 LLM 기반 CAD 에이전트를 위한 트레이스 유도형 복구 계층을 도입한다.

원저자: Fengxiao Fan, Jingzhe Ni, Fan Sang, Xiaolong Yin, Yu Liu, Ruofeng Tong, Min Tang, Peng Du

게시일 2026-08-05

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Fengxiao Fan, Jingzhe Ni, Fan Sang, Xiaolong Yin, Yu Liu, Ruofeng Tong, Min Tang, Peng Du

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 로봇에게 복잡한 레고 성을 만드는 법을 가르치려 한다고 상상해 보세요. 당신은 로봇에게 사진 한 장과 지시 사항 목록을 주고, 로봇은 브릭을 끼워 맞추기 시작합니다. 하지만 로봇은 완벽하지 않습니다. 때로는 파란색 브릭이 있어야 할 자리에 빨간색 브릭을 놓기도 하고, 너무 무거운 탑을 쌓으려다 전체가 무너뜨리기도 합니다. 컴퓨터 과학의 세계에서 이것은 '생성형 AI'라고 불리며, 컴퓨터가 이미지, 이야기, 또는 이 경우처럼 기계와 부품을 위한 3D 디자인과 같은 새로운 것들을 만들어내는 것을 의미합니다. 까다로운 점은 단순히 물건을 한 번 만드는 것이 아니라, 잘못되었을 때 그것을 고치는 것입니다. 인간 건축가는 실수를 발견하면 정확히 어떤 브릭이 잘못되었는지 보고, 그것을 교체하며, 나머지 성이 무너지지 않도록 확인합니다. 하지만 컴퓨터가 단순히 '처음부터 다시 시작'하거나 전체를 다시 써서 자신의 실수를 고치려 한다면, 이미 완벽하게 만들어 놓은 부분들까지 실수로 지워버려 원래 계획과는 전혀 다른 잔해 더미를 남길 수 있습니다. 이것이 인공지능에서의 '수리(repair)' 문제입니다. 즉, 다른 모든 것을 망가뜨리지 않고 어떻게 특정 오류만을 고칠 것인가 하는 문제입니다.

이 논문은 TraceCAD라고 불리는 영리하고 새로운 시스템을 소개합니다. 이는 3D 모델을 설계하는 AI를 위한 매우 똑똑하고 조직적인 건설 현장 소장 역할을 합니다. 연구진은 AI 에이전트(스마트한 컴퓨터 프로그램)가 자신의 실수를 스스로 고치려 할 때, 종종 자신이 왜 실패했는지 또는 어떤 구체적인 단계가 문제를 일으켰는지 잊어버린다는 것을 발견했습니다. 그들은 전체 모델을 처음부터 다시 만들려고 시도하며 시간을 낭비하고, 종종 설계를 더 나쁘게 만듭니다. TraceCAD는 게임의 판도를 바꿉니다. 이 시스템은 AI에게 '지속적인 메모리' 또는 상세한 건설 일지를 제공합니다. 단순히 최종적으로 망가진 모델만 보는 대신, TraceCAD는 AI가 수행한 모든 단계, 무엇을 하려 했는지, 어디에서 비틀거렸는지, 그리고 그 결과가 어떠했는지에 대한 실행 기록을 계속해서 작성합니다.

이를 탐정이 미스터리를 해결하는 과정에 비유해 봅시다. 일반적인 AI는 케이크가 오븐에서 타버리면, 단순히 "새 케이크를 다시 굽겠다"라고 말하며 운에 맡길 수도 있습니다. 그러나 TraceCAD는 레시피 기록을 살펴보고 이렇게 말합니다. "아, 오븐 온도가 350도가 아니라 500도로 설정되어 있었고, 타이머가 2분 차이가 났구나. 온도와 타이머만 수정하자. 나머지 레시피는 그대로 유지하면서 말이야." 이 시스템은 단순히 추측하는 것이 아니라, 정확한 결함 단계를 진단하고, 그 특정 영역에서 작고 안전한 수정을 시도하며, 이미 완벽했던 나머지 부분(케이크의 나머지 부분)이 손상되지 않았는지 확인합니다.

저자들은 이 아이디어를 테스트하기 위해 수백 개의 컴퓨터 생성 3D 모델(기어와 나사 같은 단순한 기계 부품부터 여러 부품으로 구성된 복잡한 메커니즘까지)을 수정하게 했습니다. 그들은 TraceCAD를 상세한 메모리 없이 수정을 시도하는 다른 AI 시스템들과 비교했습니다. 결과는 TraceCAD가 훨씬 더 높은 품질의 정확한 3D 형상을 만들어낸다는 것을 보여주었습니다. 구체적으로, AI의 최종 설계가 완벽한 목표치에 얼마나 근접했는지를 측정하는 'IoU'(형상의 겹침 정도를 측정) 및 'Chamfer distance'(표면 간의 거리를 측정)와 같은 수학적 점수를 사용하여 측정했을 때, TraceCAD는 다른 방법들보다 높은 점수를 기록했습니다. 예를 들어, 1,000개의 모델 테스트 세트에서 TraceCAD는 약 0.36에서 0.40 사이의 기하학적 중첩 점수를 달enc성한 반면, 다른 방법들은 때때로 0.11만큼 낮게 나타나기도 했습니다.

가장 흥계로운 발견은 TraceCAD의 특수 기능들을 제거했을 때 일어나는 현상입니다. 연구진은 '지속적인 메모리'나 '국소적 탐색(특정 고장 난 부분에 집중하는 능력)' 기능을 제거하는 실험을 진행했습니다. 그렇게 했을 때, 시스템의 회복 능력은 거의 절반 가까이 떨어졌습니다. 또한 시스템은 잘못된 부분을 고치려다가 이미 올바르게 만들어진 부분들까지 '망가뜨리는' 실수를 저지르기 시작했습니다. 이는 상세한 단계별 실패 및 성공 기록을 유지하는 것이 AI의 수리를 신뢰할 수 있게 만드는 데 매우 중요하다는 것을 시사합니다.

이 시스템은 또한 자신의 실수를 통해 학습했습니다. 즉, 성공적인 수정 사례들을 모은 '기술 라이브러리(skill library)'를 구축했습니다. 만약 AI가 이전에 해결했던 것과 유사한 문제에 직면하면, 메모리에서 오래된 해결책을 꺼내어 다시 사용할 수 있으며, 이를 통해 과정이 더 빠르고 저렴해집니다. 논문은 이러한 메모리 사용이 AI가 더 적은 시도와 적은 컴퓨터 전력으로 문제를 해결하도록 돕는다는 것을 보여줍니다. 다만, 저자들은 이것이 모든 것을 즉시 해결하는 마법 지팡이는 아니라는 점을 주의 깊게 언급합니다. TraceCAD는 국소적인 오류를 고치는 데는 뛰어나지만, 여전히 초기 설계가 어느 정도 올прав아야 하며, 수정이 실제로 효과가 있는지 알기 위해 명확한 시각적 피드백이 필요합니다.

요약하자면, TraceCAD는 AI가 진정으로 3D 설계를 숙달하기 위해서는 단순히 다시 시도하는 것이 아니라, 왜 실패했는지에 대해 생각해야 한다는 점을 시사합니다. 무엇이 작동했고 무엇이 작동하지 않았는지, 그리고 문제가 정확히 어디서 시작되었는지에 대한 명확하고 조직적인 기록을 유지함으로써, AI는 좋은 부분은 보존하면서 나쁜 부분만을 정밀하게 수리하는 숙련된 장인의 정밀함을 갖출 수 있습니다. 이 접근 방식은 단순히 더 나은 3D 모델을 만드는 것뿐만 아니라, AI의 세계에서는 실수를 저지르는 것만큼이나 실수를 기억하는 것이 중요하다는 것을 우리에게 가르쳐 줍니다.

기술 요약: TraceCAD

문제 정의

대규모 언어 모델(LLM) 기반 에이전트는 텍스트, 이미지 또는 스케치로부터 실행 가능한 파라미터릭 CAD 프로그램을 생성할 수 있지만, 이러한 시스템들은 종종 잘못된 API 호출, 유효하지 않은 파라미터, 불안정한 연산 순서, 누락된 기능 또는 시각적 불일치와 같은 특정 문제로 인해 "거의 정답에 가깝지만" 실패하는 결과물을 생성하곤 한다. 현재의 에이전트 기반 복구 루프는 대개 일시적인 프롬프트 이력에 의존한다. 충족된 요구사항, 결함이 있는 연산, 그리고 이전의 복구 시도에 대한 증거가 명시적으로 보존되지 않을 경우, 후속 복구 시도는 어떤 기능이 이미 올바른지, 어떤 특정 연산이 실패를 유발했는지, 또는 어떤 패치가 향후 작업에 정보를 제공해야 하는지를 식별하는 데 실패할 수 있다. 또한, 제약 없는 재생성은 유효한 기하학적 형상을 다시 작성하여 이를 가려버리거나, 왜 복구가 성공했는지에 대한 이유를 모호하게 만들고, "기하학적 회귀(geometric regression, 이전에 올바른 기능의 상실)"를 초래할 위험이 있다.

방법론

TraceCAD는 실행 가능한 CAD 에이전트를 감싸는 **지속적인 복구 레이어(persistent recovery layer)**를 도입한다. 복구를 새로운 생성 시도로 취급하는 대신, 이를 국소적이고 증거에 기반한 편집 프로세스로 프레임화한다. 시스템은 다음 메커니즘을 통해 작동한다:

1. 지속적 복구 상태 (Persistent Recovery State)

TraceCAD는 교정 루프 전반에 걸쳐 네 가지 핵심 요소를 연결하는 구조화된 상태를 유지한다:

요구되는 기능 (Requested Features): 특정 설계 요소(예: 바디, 패턴, 내보내기)의 라이프사이클 상태.
모델링 단계 (Modeling Steps): 계측된 코드 범위 (예: cad_step("mounting_holes", ...)).
실패 증거 (Failure Evidence): 실행 로그, 시각적 피드백 및 단계별 추적(step traces).
후보 결과 (Candidate Outcomes): 시도된 패치의 결과물.

이 상태는 양방향이다. 열린 기능(open features)은 의도된 단계를 가리키며, 실패한 단계는 왜 기능이 미완성 상태로 남아 있는지를 설명한다. 이를 통해 시스템은 처음부터 다시 구축하는 대신 검증된 기능을 보존할 수 있다.

2. 국소적 복구 탐색 (Localized Repair Search)

전역적인 재생성 대신, TraceCAD는 결함이 있는 단계로 추정되는 부분을 진단하고 편집 범위를 제한된 의존성 영역으로 제한한다.

진단 (Diagnosis): 실행 로그와 비전 모델(특징 이름, 공간적 설명 및 의도를 분석)을 사용하여 결함이 있는 연산을 식별한다.
제한된 영역 (Bounded Region): 복구 영역 $R_h(s) = \{s\} \cup Upstream(s, h)$ 를 구성하며, 여기서 $h$ 는 작은 홉 버젯(hop budget)이다. 이는 공유된 기본 형상이 모든 편집을 전역적으로 만들지 않도록 방지한다.
후보 평가 (Candidate Evaluation): 후보들은 완전한 프로그램으로서 평가된다. 패치는 실행을 통과하고, 아티팩트를 내보내며, 시각적 피드백을 만족하고, 관련 없는 기하학적 형상을 보존하며(shape-delta check), 편집 국소성을 유지할 때만 승격된다.

3. 복구 기술 메모리 (Repair-Skill Memory)

성공적인 복구 궤적은 기술 메모리에 저장되는 재사용 가능한 기술( $k$ )로 변환된다. 각 기술은 다음을 포함한다:

검색 키 ( $\sigma$ ): 실패 상황(오류 항, 단계 유형, 시각적 증상)을 설명한다.
진단 ( $d$ ): 실패 원인을 추상화한다.
정책 ( $\pi$ ) 및 템플릿 ( $\tau$ ): 어떻게 복구할지와 최소한의 패치 패턴을 지정한다.
증거 ( $\epsilon$ ): 승인을 정당화한 체크 항목들을 묶음으로 보유한다.
사용 통계 ( $u$ ): 미래의 검색 순위를 매기기 위해 성공 및 실패한 재사용 결과를 추적한다.

4. 시스템 아키텍처

시스템은 두 개의 에이전트로 구성된 워크플로우를 채택한다:

메인 에이전트 (Main Agent): 요구사항을 정제하고, 기능 커버리지를 추적하며, 복구 상태를 관리한다.
코드 에이전트 (Code Agent): 계측된 코드를 생성하고, API 문서(점진적 그라운딩 메커니즘을 통해)를 검색하며, 복구 후보를 실행한다.
실행 루프 (Execution Loop): 코드를 실행하고, 비전 모델을 통해 시각적 검증을 수행하며, 상태를 업데이트한다. 실패가 발생하면, 시스템은 관련 기술을 검색하고, 결함을 진단하며, 제한된 후보를 생성하고, 성공적인 복구가 이루어지거나 예산이 소진될 때까지 반복한다.

주요 기여

지속적 복구 상태: 요구사항, 모델링 단계, 실패 및 복구 결과를 검사 가능하게 유지하여 프롬프트의 휘발성 속에서 증거가 손실되는 것을 방지하는 공식화.
국소적 복구 탐색: 전역적 재작성을 피하기 위해 단계별 진단, 제한된 편집 영역, 실행 및 확인 승격(execute-and-check promotion)을 결합한 실행 가능한 CAD 프로그램 전략.
복구 기술 메모리 통합: 성공 및 실패한 복구 결과를 재사용 가능한 기술 저장소에 통합하는 메커니즘으로, 최종 CAD 품질과 복구 동작(복구 점수, 기하학적 회귀, 편집 국소성 및 기술 재사용) 모두를 기준으로 평가됨.

실험 결과

저자들은 DeepCAD 유래 벤치마크(절제 연구를 위한 200개 모델 서브셋 및 베이스라인 비교를 위한 1K개 모델 서브셋 포함)를 통해 TraceCAD를 평가하였다.

절제 연구 (200개 모델 서브셋)

지속적 상태 (Persistent State): 지속적 상태를 제거했을 때 복구 점수(Rec.)가 거의 절반으로 감소하였으며, 이는 요구사항과 실패를 추적하는 데 있어 해당 요소의 필요성을 입증한다.
국소적 탐색 (Localized Search): 국소적 탐색을 제거하면 기하학적 회귀(Reg.)가 두 배 이상 증가하고 코드 에이전트 호출 횟수가 두 배 증가하였다. 이는 제한된 탐색이 광범위하고 해로운 수정을 방지함을 나타낸다.
기술 저장소 (Skill Store): 기술 저장소를 제거하면 복구 점수가 감소하고 복구 범위가 증가하여, 성공적인 복구 경험을 재사용하는 것의 가치를 강조하였다.
시각적 피드백 (Visual Feedback): 시각적 피드백을 제거하면 토큰 비용과 지연 시간은 줄어들었으나, 기하학적 품질(가장 낮은 IoU)이 가장 낮게 나타나 효율성과 충실한 검증 사이의 트레이드오프를 드러냈다.
웜업 (Warm-up): 서로 다른 훈련 모델에서 기술 저장소를 초기화하면 재시도, 토큰 비용, 지연 시간이 더욱 감소하면서 기술 재사용 정밀도가 높아졌다.

베이스라인과의 비교 (1K개 모델 서브셋)

기하학적 충실도 (Geometric Fidelity): TraceCAD(콜드 스타트)는 비교된 방법들 중 가장 높은 IoU(0.3837), 가장 낮은 Chamfer Distance(14.43), 가장 낮은 Hausdorff Distance(0.1872)를 달 기록했다.
성공률 (Success Rate): TraceCAD는 100%의 성공률을 달성하여 CADDesigner와 동일한 성능을 보였으며, Text2CAD(99.4%)와 CADCodeVerify(95.3%)를 능가했다.
정성적 분석 (Qualitative Analysis): 시각적 결과에서 TraceCAD는 베이스라인들이 세부 사항을 단순화하거나 일관되지 않은 비율을 보이는 것과 달리, 로컬 특징(예: 기어 보어, 벌어진 화병 입구, 임펠러 블레이드의 곡선)을 더 잘 보존함을 보여주었다.

의의 및 주장

본 논문은 지속적이고, 국소적이며, 재사용 가능한 복구가 최종 CAD 품질과 복구 신뢰성을 크게 향과시킨다는 점을 입증한다고 주장한다. 저자들은 기여점이 원샷 생성(one-shot generation)에 있는 것이 아니라, 복구 과정 자체에 있음을 강조한다. 실패와 복구의 상태를 명시적으로 관리함으로써, 시스템은 의도된 결함을 수정하는 것과 단순히 실행 가능한 다른 프로그램을 찾는 것을 구분할 수 있다.

결과는 CAD 생성기와 검증기를 개선할 때, 남아있는 실패에 대한 명시적인 상태 관리가 효과적으로 보완될 수 있음을 시사한다. 이 프레임워크는 복구 경로를 국소적이고, 검사 가능하며, 재사용 가능하게 만들어, 전역적 재작성이 유효한 구성 이력을 폐기할 수 있는 구조적 설계 수정의 특수한 과제를 해결한다.