AI增强计算机辅助设计：建模操作的预测建模

《Proceedings of the Design Society》：AI-enhanced computer-aided design: predictive modelling of operations

　　

该研究提出一种基于图的CAD辅助方法，可在参数化设计序列中预测下一个建模操作。研究人员将来自汽车领域的真实CATIA V5模型转换为有向无环图（Directed Acyclic Graph，DAG）以捕获特征依赖关系，从而实现直接从结构设计数据中学习。所采用的四层图注意力网络（Graph Attention Network，GAT）实现了94%的Top?5预测准确率，优于基于频率的非参数基线模型。结果表明，图表示与基于注意力的消息传递为上下文感知建模辅助提供了坚实基础。

本研究发表于《Proceedings of the Design Society》，针对当前人工智能（Artificial Intelligence，AI）在计算机辅助设计（Computer?Aided Design，CAD）领域渗透不足的现状展开。尽管AI已在医学、自动驾驶等领域取得突破，但CAD系统仍缺乏兼具精度、鲁棒性与可追溯性的工业级智能方法。现有研究多采用基于标记或Transformer的序列建模方式，难以充分挖掘CAD模型中隐含的过程性知识——即建模操作之间的功能与语义关联。为此，研究人员提出基于图表示的学习范式，旨在回答两个核心问题：如何将复杂的工业CAD模型有效转化为保留操作依赖关系的图结构，以及如何在不依赖强先验与大标注数据集的情况下，通过基于图卷积网络（Graph Convolutional Network，GCN）的模型端到端学习操作预测。研究使用宝马集团的真实车门设计模型，将参数化CAD数据转化为图结构，并将下一设计步预测构建为多分类任务，最终证明该方法在工业场景中的可行性。

关键技术方法方面，研究人员构建了Python解析器，通过CATIA V5组件对象模型（Component Object Model，COM）接口提取设计实体及其依赖关系，并以JSON格式保存；随后将模型映射为有向无环图（DAG），节点对应建模操作，边表示父?子依赖；为保证训练一致性，执行剪枝去除不可选节点与循环依赖，并筛选出99种可预测操作类型；采用子图采样策略，围绕选定特征按深度提取局部邻域，以减少计算量并保留设计上下文；模型架构评估涵盖图自编码器（Graph Autoencoder，GAE）、变分图自编码器（Variational Graph Autoencoder，VGAE）、图掩码自编码器（Graph Masked Autoencoder，GraphMAE）及多种图卷积变体，最终选用四层图注意力网络（GAT）并在超参数优化后实现高性能预测。

研究结果分为以下几个部分。分布特征分析显示，46个车门设计模型中建模操作频率呈长尾分布，前两类操作占总量的约40%，其余多数操作出现频率极低。模型架构选择阶段，研究人员发现生成式预训练方法因CATIA V5公开数据稀缺及条件控制困难导致性能低于70%，因此转向分类任务，将目标重新定义为下一节点类型预测，并通过Duplicate?And?Link方法避免子图重复计算以提升训练效率。评估与微调实验表明，GAT与图同构网络（Graph Isomorphism Network，GIN）在DAG结构中表现最优，其中四层GAT配置（隐藏层维度256×4，八头注意力，Dropout率0.2）取得了最佳结果；与非参数基线相比，该模型Top?5准确率达94%，Top?1准确率为65%，显著提升了泛化能力。错误分析通过混淆矩阵揭示，基线模型倾向于记忆高频邻域模式导致过拟合，而GAT的预测分布更广泛，能够捕捉细微依赖关系。

讨论与结论部分指出，研究成功将真实CATIA V5模型转化为DAG结构，使设计知识显式可用，并验证了GCN架构无需手工规则即可端到端学习操作预测的能力。受限于COM接口，解析器未覆盖专用工作台及低层次边界表示（Boundary Representation，B?Rep）实体，且不同类型的边（操作、结构、参数）尚未纳入模型。未来工作可引入边感知图注意力卷积（Edge?aware Graph Attention Convolution，EGATConv）等方法，将参考几何与参数值预测纳入推荐系统，并扩展至多操作构建块预测，从而进一步提升CAD辅助设计的智能化水平。该研究为工程领域的设计自动化提供了可落地的技术路径。