BrepCoder: Das All-in-One-Modell für B-rep-basierte CAD-Aufgaben

In den letzten Jahren hat das Deep Learning enorme Fortschritte im Bereich der Computer‑Aided Design (CAD) erzielt. Dennoch sind die meisten bestehenden Ansätze stark auf einzelne Aufgaben zugeschnitten und erfordern umfangreiche Modellanpassungen, wenn neue Probleme gelöst werden sollen. Darüber hinaus konzentrieren sich die gängigen Methoden vorwiegend auf Punktwolken oder Bilder, während das in der Industrie weit verbreitete Boundary‑Representation‑Format (B‑rep) kaum berücksichtigt wird.

Um diese Lücken zu schließen, präsentiert die Forschung den BrepCoder – ein multimodales Large‑Language‑Model (MLLM), das direkt aus B‑rep‑Daten vielfältige CAD‑Aufgaben bewältigen kann. Der Schlüssel liegt darin, CAD‑Modellierungssequenzen in einen Python‑ähnlichen Code zu übersetzen und diesen Code mit der B‑rep‑Struktur zu verknüpfen. Auf diese Weise wird die B‑rep als struktureller Code interpretiert, was die Modellierung natürlicher und intuitiver macht.

Der BrepCoder folgt einer zweistufigen Trainingsstrategie. Zunächst wird das Modell auf Reverse‑Engineering‑Aufgaben vortrainiert, um geometrische Merkmale und Design‑Logik zu erlernen. Anschließend wird es für verschiedene Down‑stream‑Aufgaben wie Vervollständigung, Fehlerkorrektur und CAD‑Frage‑Antworten (CAD‑QA) feinabgestimmt. Diese Vorgehensweise ermöglicht eine effektive Übertragung des Wissens auf neue Aufgabenbereiche.

Die Ergebnisse zeigen, dass BrepCoder eine überlegene Generalisierung über unterschiedliche Aufgaben hinweg erreicht. Durch die Interpretation von B‑rep als Code demonstriert das Modell sein Potenzial als vielseitiger CAD‑Agent, der ohne umfangreiche Modellanpassungen komplexe Design‑ und Analyseaufgaben bewältigen kann. Diese Entwicklung markiert einen bedeutenden Schritt in Richtung eines allzweckfähigen, KI‑gestützten CAD‑Werkzeugs.