CADENA: 엔지니어처럼 단계적으로 CAD를 복원하는 모델

도입

기존 3D 형상을 편집 가능한 CAD 모델로 바꾸는 일은 여전히 많은 전문 작업을 요구한다. 메시 데이터는 물체의 표면을 표현할 수 있지만, 스케치, 돌출, 절삭 같은 설계 이력은 담고 있지 않다. 실제 제조와 재설계에 필요한 것은 단순한 겉모양이 아니라, 다시 수정하고 활용할 수 있는 파라메트릭 CAD 프로그램이다.

CADENA는 이 CAD 역설계 문제를 인간 엔지니어의 작업 방식에 가깝게 접근한다. 전체 CAD 프로그램을 한 번에 출력하는 대신, 모델은 작업을 하나씩 추가한다. 각 작업을 예측한 뒤 부분 프로그램을 실행하고, 만들어진 형상을 목표 메시와 비교한다. 이를 통해 이미 만들어진 부분과 아직 남은 부분을 보고 다음 작업을 정한다.

핵심 포인트

• 단계적 CAD 재구성: CADENA는 CAD 프로그램 생성을 일회성 텍스트 출력이 아니라 실행 가능한 모델링 작업의 연속으로 본다.
• 기하 피드백 활용: 중간 결과 형상과 목표 형상의 차이를 매 단계 확인해 다음 예측에 반영한다.
• 실제 부품 중심 벤치마크: CADENA-Bench는 세 개의 산업 코퍼스에서 중복을 제거한 3396개의 실제 기계 부품으로 구성된다.
• 부품군별 평가: 여섯 개 부품 패밀리별로 결과를 보고해, 평균 점수에 가려질 수 있는 약점을 드러낸다.
• 공개된 리소스: 추론 코드, SFT 및 강화학습 가중치, 벤치마크 데이터셋이 함께 공개됐다.

의미와 영향

CADENA의 의미는 단순히 성능 향상에 그치지 않는다. 이 연구는 CAD 생성을 “한 번 예측하고 끝내는” 방식에서 “예측, 실행, 검사, 다음 예측”의 폐루프 방식으로 옮겨간다. CAD 모델은 형상 데이터이면서 동시에 편집 가능한 설계 절차이기 때문에, 중간 결과를 보고 판단하는 구조는 실제 엔지니어링 워크플로와 더 잘 맞는다.

제공된 자료에 따르면 CADENA는 CADENA-Bench, DeepCAD, Fusion 360, MCB에서 기존 방법보다 나은 성능을 보였고, BenchCAD의 Vision2Code에서는 0.910 voxel IoU에 도달했다. 또한 실행된 기하 결과를 기준으로 한 강화학습은 정확도를 높이고 무효율을 0.9%까지 낮췄다고 설명된다. 형상을 제대로 만들지 못하는 작업은 보상을 받지 못하기 때문이다.

이 연구에서 벤치마크의 역할도 중요하다. 저자들은 학습 기반 기준 모델들이 DeepCAD에서 실제 부품으로 옮겨갈 때 점수가 대략 절반가량 떨어진다고 지적한다. CAD AI의 다음 과제는 그럴듯한 모양을 만드는 것을 넘어, 실제 산업 부품에 대해 실행 가능하고 편집 가능한 설계 프로그램을 안정적으로 생성하는 데 있다.

출처: Hugging Face Daily Papers