Towards High-Fidelity CAD Generation via LLM-Driven Program Generation and Text-Based B-Rep Primitive Grounding

Título: FutureCAD: Geração de CAD de Alta Fidelidade via Geração de Programas Impulsionada por LLM e Ancoragem de Primitivas B-Rep Baseada em Texto

1. O Problema

A geração de CAD (Desenho Assistido por Computador) baseada em IA enfrenta uma lacuna fundamental entre duas abordagens existentes:

• Modelagem Paramétrica: Gera sequências de operações (ex: esboço, extrusão). É interpretável e editável, mas falha em suportar operações avançadas (como fillet - arredondamento, chamfer - chanfro) que exigem a seleção explícita de primitivas geométricas (faces, arestas) que só existem no B-Rep (Representação de Fronteira) transitório, não no histórico paramétrico puro.
• Síntese B-Rep Direta: Modela diretamente a geometria e topologia, permitindo operações complexas, mas sacrifica a estrutura paramétrica e a intenção de design, tornando os modelos difíceis de reutilizar ou editar.

Em sistemas CAD modernos baseados em recursos (feature-based), essas duas abordagens são intrinsecamente entrelaçadas. A lacuna atual é que os métodos de IA tratam a modelagem paramétrica e a síntese B-Rep como problemas separados, impedindo a criação de modelos industriais complexos e de alta fidelidade que sejam tanto editáveis quanto geometricamente precisos.

2. Metodologia: O Framework FutureCAD

O FutureCAD propõe um paradigma unificado que integra a geração de programas executáveis por Grandes Modelos de Linguagem (LLMs) com um módulo de ancoragem de primitivas B-Rep baseado em texto.

Arquitetura Principal:

1. Geração de Programas (LLM):

   • Utiliza um LLM (baseado em Qwen2.5-7B) para gerar scripts executáveis em CadQuery (uma API Python de modelagem paramétrica).
   • Quando uma operação requer a seleção de primitivas geométricas (ex: "arredonde todas as arestas circulares"), o LLM não gera coordenadas ou índices, mas sim uma consulta em linguagem natural (ex: cq.Query("All circular edges")).
   • Estratégia de Treinamento do LLM:
     • Ajuste Fino Supervisionado (SFT): Treinado para gerar scripts CadQuery a partir de descrições textuais.
     • Aprendizado por Reforço (RL): Utiliza Group Sequence Policy Optimization (GSPO) com recompensas baseadas na Distância de Chamfer entre o modelo gerado e o ground-truth. Isso penaliza falhas de execução e melhora a fidelidade geométrica e a generalização.

2. Ancoragem de Primitivas B-Rep (BRepGround):

   • É um módulo Transformer projetado para resolver as consultas de texto geradas pelo LLM.
   • Entrada: O estado transitório do B-Rep (faces e arestas) e a consulta textual.
   • Processamento:
     • Codificador de Texto: Usa BERT para embeddings de texto.
     • Codificador B-Rep: Usa UV-Net para extrair características geométricas de faces e arestas, processadas por uma Rede Neural de Grafos (GNN) para capturar contexto topológico.
     • Fusão: Um módulo Transformer funde os embeddings de texto e geometria via atenção cruzada, permitindo que o modelo entenda a relação semântica entre a descrição e a geometria específica.
   • Saída: Seleciona as primitivas B-Rep (faces/arestas) correspondentes para que o kernel CAD execute a operação.

3. Dataset:

   • Construído um novo dataset com 140.000+ modelos CAD reais (extraídos do Onshape).
   • Inclui anotações geométricas detalhadas, consultas textuais para ancoragem e scripts CadQuery convertidos e reescritos para diversidade de API.

3. Principais Contribuições

• Paradigma Unificado: O primeiro framework text-to-CAD que une a geração de programas baseada em LLM com a ancoragem explícita de primitivas B-Rep via texto, permitindo modelagem baseada em recursos (feature-based) realista.
• Novo Dataset: Um conjunto de dados massivo e diversificado com modelos complexos que incluem operações avançadas (fillet, chamfer, shell), superando a limitação de datasets anteriores focados apenas em geometria básica.
• Método BRepGround: Uma arquitetura Transformer inovadora para o mapeamento semântico entre consultas de linguagem natural e primitivas geométricas em um B-Rep transitório.
• Estratégia de Treinamento Híbrida: Combinação de SFT e RL (GSPO) para otimizar tanto a sintaxe do código quanto a validade geométrica e a precisão dos parâmetros.

4. Resultados Experimentais

Os experimentos foram realizados no dataset FutureCAD (subconjuntos padrão e avançado) e no dataset externo Fusion360 (fora da distribuição).

• Fidelidade Geométrica: O FutureCAD alcançou o menor Chamfer Distance (CD) em todos os cenários, indicando maior precisão geométrica em comparação com métodos state-of-the-art (como CADFusion e CAD-LLaMA).
  • Exemplo: No subconjunto avançado, o CD mediano foi de 31.12 (vs. 50.16 do CAD-LLaMA).
• Taxa de Invalidade (IR): O método apresentou uma taxa de invalidade extremamente baixa (~1.0%), demonstrando alta robustez na geração de código executável e geometria válida, superando significativamente as bases de comparação.
• Desempenho em Tarefas Específicas:
  • Geração de CAD: Superou todos os baselines em métricas F1 de comandos (G-F1 e R-F1) e precisão geométrica.
  • Ancoragem B-Rep: O BRepGround alcançou 50.23% de F1 e 63.07% de mAP, superando abordagens baseadas apenas em LLMs (21.51% F1) e métodos de fusão tardia, provando a eficácia da atenção cruzada entre texto e geometria.
• Generalização: O modelo manteve alto desempenho no dataset Fusion360 (out-of-distribution), indicando boa capacidade de generalização para novos estilos de design.

5. Significado e Impacto

O FutureCAD representa um avanço significativo na automação de design industrial:

• Viabilidade Prática: Ao resolver o problema da seleção de primitivas via linguagem natural, o sistema permite a geração de modelos CAD complexos e editáveis, algo que métodos anteriores não conseguiam fazer de forma confiável.
• Acessibilidade: Reduz a barreira de entrada para ferramentas CAD, permitindo que não-especialistas criem protótipos complexos através de descrições textuais.
• Integração com Fluxos de Trabalho: A geração de scripts CadQuery garante que os modelos produzidos sejam nativos de sistemas CAD modernos, facilitando a integração em fluxos de trabalho de engenharia existentes.

Em resumo, o trabalho preenche a lacuna crítica entre a intenção de design expressa em linguagem natural e a execução geométrica precisa em sistemas CAD paramétricos, estabelecendo um novo padrão para a geração de CAD assistida por IA.