Zero-to-CAD: Agentic Synthesis of Interpretable CAD Programs at Million-Scale Without Real Data

1. Probleemstelling

Het veld van generatief Computer-Aided Design (CAD) staat voor een kritiek tekort aan data. Hoewel er grote 3D-datasets bestaan (bijv. ABC, Objaverse), bestaan deze voornamelijk uit statische Boundary Representations (B-Reps) of meshes, die het constructieverloop (parametrisch recept) missen dat essentieel is voor bewerking, beheer van beperkingen en ontwerpdoelstellingen.

• Bestaande Beperkingen: Huidige datasets met constructiesequenties (bijv. DeepCAD, Fusion 360 Gallery) zijn klein, beperkt tot eenvoudige "schets-en-uitdrijven"-werkstromen, en missen complexe bewerkingen zoals afgeronde hoeken (fillets), kanten (chamfers), Booleaanse verenigingen en opwaartse vormen (lofts).
• Het Gat: Er bestaat geen grote, diverse en uitvoerbare dataset van CAD-programma's die rijke operationele vocabulaires omvat en door mensen leesbaar is. Bestaande synthetische methoden (bijv. CAD-Recode) produceren vaak code die syntactisch geldig is maar semantisch oppervlakkig (hard-coded waarden, coördinatieketens) en mist de structurele diversiteit van door mensen ontworpen modellen.

2. Methodologie: Zero-to-CAD Pipeline

De auteurs stellen Zero-to-CAD voor, een schaalbaar kader dat ongeveer één miljoen uitvoerbare CAD-sequenties van scratch synthetiseert zonder gebruik te maken van enige echte CAD-bestanden. De kerninnovatie is het vormgeven van CAD-generatie als een agente zoekprobleem.

A. Agente Synthese-lus

Het systeem integreert een Large Language Model (LLM) in een feedback-gedreven CAD-omgeving (met gebruik van de CadQuery Python-bibliotheek). De agent opereert in een gesloten lus:

1. Generatie: De LLM genereert CadQuery-code op basis van een onderdeelbeschrijving.
2. Uitvoering & Validatie: De code wordt uitgevoerd in een geïsoleerd subprocess. Als deze faalt, ontvangt de agent gestructureerde foutfeedback (syntaxisfouten, topologische problemen, exportfouten).
3. Gebruik van Hulpmiddelen: Bij een mislukking kan de agent:
   • Documentatie Opzoeken: Specifieke API-syntaxis ophalen uit CadQuery-documentatie (met behulp van TF-IDF en regex).
   • Redeneren & Repareren: De fout analyseren, documentatie raadplegen en de code herzien.
4. Iteratie: Dit proces herhaalt zich (tot 10 beurten per poging) totdat de code succesvol wordt uitgevoerd en de geometrische validatie passeert.

B. Tweestaps Generatieprotocol

Om diversiteit en schaal te waarborgen, gebruikt de pipeline een tweestapsaanpak:

1. Catalogusgeneratie: De LLM genereert een diverse catalogus van onderdeelbeschrijvingen (bijv. "montagebeugel", "tandwiel") die zijn georganiseerd in 65 vooraf gedefinieerde mechanische categorieën.
2. Codegeneratie: Voor elke beschrijving genereert de agent code. Om modale instorting te voorkomen, gebruikt het systeem:
   • Referentiestukjes: Het bieden van sjablonen voor complexe categorieën om structuur te leiden zonder parameterkopiëren af te dwingen.
   • Promptvariabiliteit: Het injecteren van willekeurigheid om diverse ontwerpoplossingen aan te moedigen.

C. Validatiekader

Een strikt driestapsfilter zorgt ervoor dat alleen data van hoge kwaliteit wordt vrijgegeven:

1. Code-uitvoering: Controle op syntaxisfouten en runtime-uitzonderingen.
2. Geometrische Validatie: Waarborgt topologische geldigheid (geen zelfdoorsnijdingen), connectiviteit (één massief lichaam), minimale complexiteit (≥7 vlakken) en positief volume.
3. Exportvalidatie: Verifieert succesvolle export naar zowel STL- als STEP-formaten om subtiele geometrische defecten op te vangen.

D. Datasetcursatie

• Totale Schaal: ~1 miljoen gegenereerde sequenties (999.633 geaccepteerd).
• Gecureerde Subset: Een subset van 100.000 modellen geselecteerd via k-means clustering op DINOv3-visuele embeddings om maximale geometrische diversiteit te waarborgen.
• Leesbaarheid: In tegenstelling tot transpilatie van coördinatieketens, gebruiken Zero-to-CAD-programma's genummerde parameters (bijv. plate_thickness, fillet_radius) en logische constructiestappen, waardoor ze door mensen leesbaar en bewerkbaar zijn.

3. Belangrijkste Bijdragen

1. Zero-to-CAD Dataset: De eerste dataset op miljoenschaal van uitvoerbare, interpreteerbare CAD-constructiesequenties met brede operationele dekking (Booleaanse operaties, afgeronde hoeken, kanten, opwaartse vormen, schroeven, schalen).
2. Agente Synthese-kader: Een nieuw pipeline dat aantoont dat LLM's, wanneer ze zijn verankerd in een CAD-omgeving met toegang tot hulpmiddelen en documentatie, zichzelf kunnen corrigeren om geldige, complexe ontwerpen te produceren zonder echte trainingsdata.
3. Leesbaarheid & Bewerkbaarheid: De gegenereerde code nabootst menselijke engineeringpraktijken (genummerde variabelen, logische flow), waardoor de kloof wordt overbrugd tussen synthetische generatie en praktische bruikbaarheid.
4. Bootstrapping-capaciteit: Het bewijs dat synthetische data sequence-generatiemodellen kan bootstrappen, waardoor ze editabele CAD kunnen reconstrueren uit afbeeldingen zonder ooit echte constructieverlopen te hebben gezien.

4. Experimentele Resultaten

A. Kwaliteit & Diversiteit van de Dataset

• Vergelijking: Vergelijken met CAD-Recode en ABC.
• Metingen: Zero-to-CAD bereikt een lagere Fréchet-afstand tot de echte ABC-dataset (0,164 vs. 0,268) en een hogere k-balldoeldekking.
• Complexiteit: Het gemiddelde aantal vlakken (46,2) komt nauw overeen met echte onderdelen (ABC: 50,7), terwijl CAD-Recode aanzienlijk eenvoudiger is (16,4).
• Geldigheid: 0% van de Zero-to-CAD-onderdelen zijn niet-verbonden multi-body lichamen of onder de 7-vlakken drempel, vergeleken met respectievelijk 56,3% en 12,9% voor CAD-Recode.

B. Afbeelding-naar-Sequentie Reconstructie (Bootstrapping)

De auteurs hebben een Qwen3-VL-2B Vision-Language Model (VLM) fijngefineerd op de Zero-to-CAD-dataset om bewerkbare CAD-code te reconstrueren uit 8 multi-view afbeeldingen.

• In-Distribution Prestaties: Het fijngefineerde model behaalde een succescpercentage van 82,1% met een gemiddelde IoU van 0,747 op de Zero-to-CAD-testset.
• Basisvergelijking: Het presteerde aanzienlijk beter dan het basis Qwen-model (6,6% succes) en GPT-5.2 (72,2% succes, 0,485 IoU).
• Out-of-Distribution (OOD) Generalisatie: Bij testen op de echte ABC-dataset (ontworpen door mensen) behield het model een succescpercentage van 61,0% en een gemiddelde IoU van 0,377, en presteerde het beter dan GPT-5.2-varianten in geometrische fideliteit (IoU en Chamfer-afstand), ondanks dat het uitsluitend op synthetische data was getraind.

5. Betekenis

• Oplossen van het Data-flesenhals: Zero-to-CAD demonstreert dat het tekort aan bewerkbare CAD-data kan worden overwonnen door schaalbare agente synthese, waardoor de noodzaak voor extractie van proprietaire data wordt geëlimineerd.
• Brug slaan tussen Geometrie en Intentie: Door parametrische, leesbare code te bieden, stelt de dataset de volgende generatie CAD-AI in staat om niet alleen vormen te genereren, maar ook ontwerpen te genereren die ingenieurs kunnen aanpassen.
• Haalbaarheid van Synthetische Supervisie: De resultaten bewijzen dat LLM-priors over mechanisch ontwerp, wanneer gevalideerd door uitvoeringsomgevingen, kunnen worden omgezet in trainingsdata van hoge kwaliteit. Dit stelt kleinere, gespecialiseerde modellen (2B parameters) in staat om op specifieke CAD-taken grotere frontier-modellen (GPT-5.2) te overtreffen, wat een kosteneffectieve route biedt voor industriële AI-adoptie.
• Ressourcen Vrijgave: De auteurs geven de volledige dataset, de gecureerde subset, vooraf berekende embeddings en het fijngefineerde model vrij, waardoor een vitaal hulpmiddel voor de onderzoeksgemeenschap wordt geboden.