Technische Samenvatting: Linkify – Leren van Interface-geaugmenteerde Assemblagegrafen

Probleemstelling

Recente vooruitgang in generatieve AI voor Computer-Aided Design (CAD) heeft zich primair gericht op geïsoleerde onderdelen of monolithische assemblages, waarbij de cruciale geometrische informatie op de interfaces tussen interagerende componenten vaak wordt genegeerd. Terwijl bestaande assemblage-grafische representaties gebruikmaken van knopen voor onderdelen en randen voor kinematische verbindingen of hiërarchische structuren, laten zij vaak de precieze contactgeometrie weg die bepaalt hoe onderdelen in elkaar passen en functioneren. Dit gebrek aan interface-bewustzijn beperkt het vermogen van machine learning-modellen om context-bewuste taken uit te voeren, zoals onderdeelretrieval, waarbij het begrijpen van "wat hier past" essentieel is. Bovendien bevatten bestaande datasets, zoals de Fusion 360 Gallery Assembly dataset, foutieve of ontbrekende interfacegegevens, wat de training van robuuste modellen belemmert.

Methodologie

De auteurs stellen Linkify voor, een framework dat interface-geaugmenteerde assemblagegrafen gebruikt om contextafhankelijke representaties van mechanische onderdelen te leren. De methodologie bestaat uit drie primaire stadia:

1. Dataset Reconstructie en Augmentatie

De auteurs pakken het probleem van datakwaliteit aan door hoogwaardige interface-geometrie opnieuw te berekenen voor de gehele Fusion 360 Gallery Assembly dataset (8.251 assemblages, 154.468 onderdelen).

• Interface Computatie: Met behruikmaking van de Open CASCADE Technology (OCCT) B-Rep kernel voeren de auteurs natuurlijke Boolean-operaties (BRepAlgoAPI_Common) uit om exacte geometrische intersecties tussen contacterende vlakken te berekenen.
• Puntwolk Generatie: Vanuit deze precieze intersectievolumes worden puntwolken gesampled (2.048 punten per interface) om als input voor neurale encoders te dienen.
• Grafische Constructie: Een assemblage-graaf wordt geconstrueerd waarbij knopen individuele onderdelen vertegenwoordigen en randen de berekende contacten vertegenwoordigen.
• Labeling: Knopenlabels worden gegenereerd via ongecontroleerde k-means clustering ($k=500$) op onderdeel-embeddings, wat een geometrisch categorie-vocabulaire creëert voor de retrieval-taak.

2. Grafische Representatie en Embedding

Het framework construeert een interface-geaugmenteerde graaf $G = (V, E, M, Y)$:

• Knopen-embeddings: Onderdeelgeometrieën worden gecodeerd met behulp van vooraf getrainde puntwolk-encoders. De auteurs evalueren er twee: PointMAE (voorgetraind op ShapeNet) en DGCNN (voorgetraind op ModelNet40).
• Rand-embeddings: Interface-geometrieën worden gecodeerd met dezelfde PointMAE encoder, wat resulteert in 384-dimensionale vectoren die de lokale contactregio's vorm vastleggen.
• Taakformulering: Het systeem wordt getraind op een gemaskeerde onderdeel-predictie taak. Gegeven een assemblage-graaf met één gemaskeerde knoop (feature vector op nul gezet), moet het model het clusterlabel van het ontbrekende onderdeel voorspellen uit het vocabulaire van 500 klassen. Dit dient als een proxy voor context-bewuste onderdeelretrieval.

3. Modelarchitectuur

De kern van het model is een Graph Attention Network (GAT) die gebruikmaakt van de GATv2 variant.

• Dynamische Attentie: In tegen tegenstelling tot standaard GAT, berekent GATv2 de aandachtgewichten dynamisch op basis van de bronknoop, de doelknoop en de query zelf, wat zorgt voor meer expressieve, context-afhankelijke berichtoverdracht (message passing).
• Training: Het model wordt getraind met cross-entropy loss met class weighting om onbalans aan te pakken, geoptimaliseerd via Adam met een cosine annealing schedule.

Belangrijkste Bijdragen

1. Interface-bewuste Dataset: De auteurs bieden een gecorrigeerde, hoogwaardige versie van de Fusion 360 Gallery Assembly dataset, voorzien van opnieuw berekende geometrische interface-definities (contactoppervlakken, volumes en puntwolken) voor alle assemblages.
2. Linkify Framework: Een nieuwe GNN-architectuur (gebaseerd op GATv2) die expliciet interface-geometrie als rand-attributen incorporeert, en laat zien hoe deze kenmerken in een leerpipeline voor assemblage-grafen geïntegreerd kunnen worden.
3. Empirische Validatie: Een uitgebreide reeks ablatie-studies en baseline-vergelijkingen die kwantitatief de belangrijkheid van grafische topologie, rand-attributen en aandachtmechanismen meten.

Resultaten

De auteurs evalueren hun model tegen verschillende baselines: Random Guess, Majority Class, Logistic Regression (op geaggregeerde knoop-features) en k-Nearest Neighbors.

• Prestaties: Met gebruik van PointMAE als encoder bereikt Linkify een Top-1 nauwkeurigheid van 6,34% en een F1-score van 6,01%. Dit vertegenwoordigt een significante verbetering ten opzichte van de sterkste niet-grafische baseline (Logistic Regression, Top-1: 5,99%) en een relatieve verbetering van 28% in F1-score.
• Encoder Sensitiviteit: Modellen die DGCNN gebruiken presteren slechter dan Logistic Regression, wat benadrukt dat de mismatch tussen de pretraining van DGCNN (ModelNet40) en CAD-geometrie een bottleneck is, terwijl PointMAE (ShapeNet) beter generaliseert naar mechanische onderdelen.
• Ablatie-studies:
  • Connectiviteit: Het willekeurig herbedraden van randen veroorzaakte een daling van 13,6% in Top-1 nauwkeurigheid, terwijl het verwijderen van 10% van de randen een daling van 23,8% veroorzaakte, wat bevestigt dat correcte interface-connectiviteit cruciaal is.
  • Rand-attributen: Het verwijderen van rand-attributen resulteerde in een relatieve daling van 5,4% in Top-1 nauwkeurigheid, terwijl het randomiseren ervan een daling van 7,9% veroorzaakte, wat de semantische waarde van interface-embeddings bewijst.
  • Aandachtmechanisme: GATv2 presteerde 16,1% beter dan standaard GAT in Top-1 nauwkeurigheid, wat het belang van dynamische aandacht voor interface-geïnformeerde grafen valideert.
• Kwalitatieve Analyse: Het model slaagt erin onderdelen met geometrische en functionele gelijkenis (bijv. tandwielen, cilindrische componenten) in de juiste assemblage-context op te halen. Echter, foutgevallen treden op wanneer onderdelen vergelijkbare aspectratio's delen maar incompatibele interface-details hebben, of wanneer functionele rollen niet puur geometrisch zijn.

Betekenis en Claims

Het artikel positioneert Linkify niet als een volledig systeem voor assemblage-synthese of fit-verificatie, maar als een retrieval-georiënteerde probe-taak om de hypothese te valideren dat interface-geometrie cruciaal is voor het begrijpen van de functie van onderdelen.

• Fundament voor Toekomstig Werk: De auteurs beweren dat hun gecorrigeerde dataset en interface-bewuste grafische representatie een noodzakelijk fundament bieden voor toekomstige modellen in assemblage-retrieval, validatie en generatief ontwerp.
• Context-bewustzijn: Het werk demonstreert dat het verder gaan dan geïsoleerde onderdeel-gelijkenis door middel van assemblage-context en interface-restricties leidt tot betere retrieval-prestaties.
• Bescheiden Omvang: De auteurs erkennen expliciet de beperkingen, waarbij ze opmerken dat het huidige model moeite heeft met functionele rollen die verder gaan dan geometrische gelijkenis en afhankelijk is van voorgetrainde encoders die ruis introduceren. Ze presenteren de huidige resultaten als een stap richting een volledig gesloten systeem dat uiteindelijk rijkere descriptoren (kinematica, fysieke eigenschappen) en grootschaligere datasets zal vereisen.

De auteurs concluderen dat hoewel het probleem van geautomatiseerd begrip van assemblages nog onopgelost is, hun interface-geaugmenteerde aanpak aantoont dat grafische representaties die geleerde geometrie combineren met contactinformatie essentieel zijn voor het modelleren van hiërarchische assemblage-relaties.