Technische Samenvatting: FllumaOne

Probleemstelling

Parametrische Computer-Aided Design (CAD) modellen worden niet enkel gedefinieerd door hun uiteindelijke geometrie, maar door hun constructiegeschiedenis—de geordende sequentie van schetsen, kenmerken, parameters en afhankelijkheden die bewerking, hergebruik van ontwerpen en productieanalyse mogelijk maken. Terwijl grootschalige geometrie-repositories (bijv. ModelNet, ShapeNet) en constructiebewuste datasets (bijv. DeepCAD, Fusion 360 Gallery) het leren van vormen en de generatie van commando-sequenties hebben geavanceerd, blijft er een praktische kloof bestaan. Bestaande bronnen missen vaak de combinatie van een inspecteerbaar constructieverslag, een afspeelbare uitvoerbare code, door de kernel gevalideerde geometrie en uitgelijnde multimodale inputs zonder dat daar commerciële CAD-licenties voor nodig zijn. Bovendien behandelen veel datasets de constructiegeschiedenis als een apart representatieprobleem van de uiteindelijke geometrie, wat het vermogen van modellen om programmeerbare, geldige en geparametriseerde ontwerpen te genereren beperkt.

Methodologie

De auteurs introduceren FllumaOne, een code-native multimodale CAD-dataset die deze kloof beoogt te overbruggen. De dataset wordt gegenereerd met behulp van Flluma, een Qt/C++ CAD-systeem gebouwd op de OpenCASCADE-kernel, dat Python-programma's uitvoert om modellen te construeren.

Generatiepipeline

1. Gecontroleerde Procedurele Generatie: Een scheduler selecteert uit een bibliotheek van 53 parametrische template-families en wijst deze toe aan vier complexiteitsniveaus (L1–L4) om een gebalanceerde distributie van primitieve en complexe geschiedenissen te waarborgen.
2. Synthese van Uitvoerbare Code: Voor elke sample wordt een Python-programma gegenereerd met behulp van een geregulariseerde Flluma API. Deze API dwingt expliciete operatienaamgeving, getypeerde argumenten, stabiele argumentvolgordes en directe variabele binding voor tussenliggende objecten af.
3. Kernel-in-the-Loop Validatie: Gegenereerde programma's worden uitgevoerd in een headless FllumaCLI-omgeving. Kandidaten worden afgewezen als ze falen op geometrische validatie (bijv. ongeldige Boolean-resultaten, gedegenereerde vlakken, niet-manifold geometrie) of STEP-exportcontroles. Alleen samples die geldige OpenCASCADE B-Rep solids produceren, worden geaccepteerd.
4. Deduplicatie: Een controle op canonieke constructie-signatures voorkomt exacte duplicaten in de constructiegeschiedenis vóór de kernel-executie.
5. Multimodale Uitlijning: Geaccepteerde samples worden geëxporteerd naar een uniforme set modaliteiten:
   • Bron: Uitvoerbaar program.py en een gestructureerde feature_tree.json.
   • Trainingsdoel: Een compacte training_ir.txt geserialiseerd uit de feature tree.
   • Geometrie: STEP-bestanden (AP214 schema) en oppervlakte-puntenwolken (2.048 punten met normalen).
   • Visuals: Acht canonieke weergaven (zes orthografische, twee isometrische) gericht op zichtbare randen in plaats van fotorealisme.
   • Tekst: Deterministische beschrijvingen afgeleid van metadata en door LLM verrijkte prompts (met behulp van een lokale Qwen2.5-7B model) die geometrische feiten behouden terwijl de natuurlijke taal varieert.

Baseline Evaluatie

De auteurs evalueren het nut van de dataset voor text-to-CAD generatie met behulp van een Qwen2.5-Coder-1.5B model dat via LoRA is gefinetuned op 80.000 trainingssamples. De taak behelst het mappen van natuurlijke taalbeschrijvingen naar uitvoerbare Python-programma's. De evaluatie beslaat meerdere stadia:

• Code Niveau: Python syntaxis validiteit en API correctheid.
• Executie Niveau: Succesvolle loading en build binnen Flluma.
• Geometrie Niveau: Kernel solid validatie, STEP export succes, en genormaliseerde Chamfer Distance tegen referentie-puntenwolken.

Belangrijkste Bijdragen

1. Gepaarde Constructie-Representaties: De dataset biedt een canonieke feature tree, een uitvoerbaar Python-programma en een compacte training IR die dezelfde bewerkbare modelleringsgeschiedenis beschrijven op verschillende abstractieniveaus, wat cross-modale verificatie mogelijk maakt.
2. Kernel-Gegronde Multimodale Release: In tegenstelling tot datasets die vertrouwen op uiteindelijke meshes of ongeverifieerde sequenties, lijnt FllumaOne 100.000 samples uit met kernel-gevalideerde STEP-geometrie, oppervlakte-puntenwolken, canonieke weergaven en tekst, waardoor gegarandeerd wordt dat elke sample een fysiek geldige solid vertegenwoordigt.
3. Auditeerbare Generatie en Integriteit: De release bevat uitgebreide rapporten over modaliteit-volledigheid, split-lidmaatschap en exacte duplicate-checks over programma's, feature trees en solid-signatures, wat de dataintegriteit waarborgt.
4. Uitvoerbare Baseline en Evaluatietools: De auteurs bieden een reproduceerbare text-to-program baseline en een volledige evaluatiepipeline die succes meet van syntaxis tot kernel-validatie en geometrische gelijkenis, waarmee een gesloten evaluatiepad wordt gevestigd.

Resultaten

De primaire release, FllumaOne-100K, bevat 100.000 geaccepteerde samples verdeeld over vier complexiteitsniveaus (L1: ~3%, L2: ~17%, L3: ~55%, L4: ~25%).

• Baseline Prestaties: De Qwen2.5-Coder-1.5B LoRA baseline behaalde:
  • 99,98% Python syntaxis validiteit.
  • 99,97% Flluma build succes.
  • 99,14% STEP export validiteit.
  • 99,14% Kernel solid validiteit.
• Geometrische Nauwkeurigheid: Voor de 9.909 voorspellingen die succesvol naar puntenwolken zijn geconverteerd, was de gemiddelde genormaliseerde Chamfer Distance 0,002124, met een mediaan van 0,001491.
• Complexiteitsanalyse: De dataset vertoont een mediaan aantal features van 6 en een mediane geschiedenisdiepte van 4, wat duidt op een focus op meerstaps bewerkbare geschiedenissen in plaats van geïsoleerde primitieven. De operatie-vocabulaire bestaat uit 44 tokens, waarbij "Hole Pattern" de meest frequente is (14,2% van de feature-tree labels).
• Integriteit: Er werden nul exacte duplicaten gevonden over program-hashes, feature-tree hashes, training IR hashes of solid signatures.

Betekenis en Claims

Het artikel positioneert FllumaOne als een praktische oplossing voor de discrepantie tussen final-shape datasets en propriëtaire native CAD-geschiedenissen. Door een inspecteerbaar constructieverslag te koppelen aan afspeelbare code, maakt de dataset onderzoek mogelijk naar bewerkbare CAD-reconstructie, feature-tree voorspelling en reverse engineering waarbij de output modificeerbaar moet zijn in plaats van statisch.

De auteurs claimen dat de dataset een reproduceerbaar pad ondersteunt van taal naar uitvoerbare, geometrisch vergelijkbare CAD-output. Ze merken echter bescheiden op dat de resultaten een interpolatie binnen een gecontroleerde generator-distributie vertegenwoordigen in plaats van generalisatie naar onbekende template-families of open-domain ontwerp. De dataset erft de biases van zijn procedurele generator (template-families, parameterbereiken) en claimt niet de volledere diversiteit van menselijk geschreven industriële ontwerpprocessen te repliceren. De primaire waarde ligt in het vermogen om fouten te traceren over code, feature-geschiedenis, kernel-output en export, wat de ontwikkeling van modellen faciliteert die prioriteit geven aan bewerkbaarheid en geometrische validiteit naast vormgeneratie.