KI-gestützte CAD-Codegenerierung: Chain-of-Thought RL steigert Präzision

Computer‑Aided Design (CAD) ist ein unverzichtbarer Bestandteil moderner Ingenieur- und Fertigungsprozesse, doch die herkömmlichen Arbeitsabläufe erfordern noch immer umfangreiches Fachwissen und manuelle Modellierung. Durch die rasante Entwicklung großer Sprachmodelle (LLMs) ist es nun möglich, aus natürlicher Sprache Programmcode zu erzeugen, was neue Wege zur Automatisierung parametrisierter 3‑D‑Modelle eröffnet. Die direkte Umsetzung des Design‑Intents in lauffähigen CAD‑Code bleibt jedoch schwierig, weil logisches Denken, syntaktische Korrektheit und numerische Präzision miteinander verknüpft werden müssen.

In dieser Arbeit wird CAD‑RL vorgestellt, ein multimodales Chain‑of‑Thought (CoT)‑gesteuertes Reinforcement‑Learning‑Framework, das nach dem Training die Code‑Generierung optimiert. Der Ansatz kombiniert einen CoT‑basierten „Cold‑Start“ mit zielgerichtetem RL‑Post‑Training, das drei spezifische Belohnungen nutzt: Ausführbarkeits‑Belohnung, geometrische Genauigkeits‑Belohnung und externe Evaluationsbelohnung. Um stabile Lernprozesse bei spärlichen und hochvarianten Belohnungen zu gewährleisten, wurden drei gezielte Optimierungsstrategien entwickelt: Trust‑Region‑Stretch für verbesserte Exploration, Precision‑Token‑Loss zur Erhöhung der Genauigkeit bei Dimensionsparametern und Overlong‑Filtering, um verrauschte Supervision zu reduzieren.

Zur Unterstützung von Training und Benchmarking wird das neue Datenset ExeCAD veröffentlicht. Es enthält 16.540 reale CAD‑Beispiele mit zugehörigen natürlichen Sprachbeschreibungen, strukturierten Design‑Sprachbeschreibungen, ausführbaren CADQuery‑Skripten und gerenderten 3‑D‑Modellen. Die durchgeführten Experimente zeigen, dass CAD‑RL die Qualität des logischen Denkens und die Präzision der generierten Modelle deutlich verbessert, was die Automatisierung von CAD‑Workflows nachhaltig vorantreibt.