AI untuk Desain CAD Industri: Memperkenalkan Model Fondasi Geometri 3D "Shape"

Pendahuluan: Tantangan Desain CAD Industri Modern

      Alur kerja desain berbantuan komputer (CAD) industri modern, terutama dalam simulasi dinamika fluida komputasi (CFD) dan analisis elemen hingga (FEA), sangat bergantung pada pemanfaatan struktur geometris. Misalnya, untuk menghemat biaya komputasi, seorang analis dapat memanfaatkan simetri cermin untuk menyimulasikan hanya separuh dari ruang bakar mesin jet, atau menyusutkan tahap turbin menjadi mesh 2D melalui aksisimetri. Mengidentifikasi dan menerapkan reduksi geometris semacam ini secara manual memerlukan keahlian domain yang tinggi dan seringkali menjadi salah satu penyebab utama memakan waktu dalam persiapan simulasi.

      Meskipun permintaan akan solusi otomatis jelas, hingga saat ini belum ada model fondasi mandiri (self-supervised foundation model) yang dirilis secara terbuka untuk geometri CAD 3D industri. Model semacam itu harus mampu (i) mempelajari representasi per-token yang dapat ditransfer dari mesh mentah tanpa label mahal, (ii) menyediakan mekanisme atribusi yang jelas untuk memetakan hasil model kembali ke wilayah spesifik pada permukaan mesh, dan (iii) cukup kecil dan cepat untuk menjadi titik awal bagi tugas-tugas hilir seperti deteksi simetri atau pengenalan primitif. Inilah celah yang diisi oleh "Shape", sebuah inovasi yang dijabarkan dalam penelitian terbaru.

Memahami "Shape": Model Fondasi AI untuk Geometri 3D

      "Shape" adalah model fondasi mandiri yang dirancang khusus untuk analisis CAD industri. Istilah "model fondasi mandiri" berarti bahwa model kecerdasan buatan ini belajar memahami data 3D secara intrinsik dari sejumlah besar contoh tanpa memerlukan label atau anotasi manual dari manusia. Ini berbeda dengan metode pembelajaran tradisional yang membutuhkan data berlabel mahal untuk setiap tugas. "Shape" mengubah permukaan mesh (representasi objek 3D yang terdiri dari poligon-poligon kecil) menjadi "embedding per-token" yang padat. Embedding ini adalah representasi numerik kaya informasi yang menangkap fitur geometris setiap bagian kecil dari objek 3D, membuatnya dapat dipahami oleh AI.

      Arsitektur "Shape" menggabungkan beberapa komponen canggih. Pertama, ia menggunakan grid laten 3D terstruktur yang memungkinkan model memproses geometri 3D secara terorganisir. Kedua, ada tokenizer yang sadar geometri multi-skala (MAGNO). Tokenizer ini bertugas mengambil informasi dari titik-titik fisik pada permukaan mesh dan mengubahnya menjadi token, sambil mempertimbangkan statistik lingkungan multi-skala dan menggunakan mekanisme cross-attention untuk fokus pada fitur-fitur penting. Terakhir, pemroses transformer digunakan untuk memproses token-token ini lebih lanjut, menghasilkan representasi yang komprehensif. Inovasi kunci adalah kemampuan Shape untuk memberikan "atribusi per-wilayah", yang berarti model dapat menjelaskan mengapa ia membuat prediksi tertentu dengan menyoroti bagian-bagian spesifik dari geometri input yang paling relevan.

Inovasi Arsitektur dan Pendekatan Pelatihan

      Inti dari "Shape" terletak pada arsitektur transformernya, yang mengadaptasi Geometry Aware Operator Transformer (GAOT). Arsitektur ini, yang awalnya dirancang untuk pemodelan pengganti persamaan diferensial parsial (PDE), kini digunakan sebagai tulang punggung model fondasi mandiri. Salah satu keunggulan utamanya adalah kemampuannya untuk memisahkan resolusi mesh dari jumlah token. Ini berarti, tidak peduli seberapa detail (banyak atau sedikit titik/vertex) model CAD yang diinput, "Shape" akan selalu mengkodekannya menjadi representasi token dengan ukuran yang tetap. Hal ini membuat model sangat efisien dan skalabel, memungkinkan pemrosesan berbagai model tanpa hambatan kinerja yang berarti.

      Proses pelatihan "Shape" menggunakan dua tujuan utama: rekonstruksi token bertopeng dan konsistensi kontras multi-resolusi. Dalam rekonstruksi token bertopeng, model belajar dengan menyembunyikan sebagian token geometris dan kemudian mencoba merekonstruksinya. Konsistensi kontras memastikan bahwa representasi yang dipelajari untuk objek yang sama tetap serupa, bahkan jika dilihat dari sudut pandang atau resolusi yang berbeda. Sebuah penemuan krusial dalam penelitian ini adalah pentingnya normalisasi target per-dimensi yang terkalibrasi. Tanpa normalisasi ini, kinerja model menurun drastis karena beberapa dimensi kurva yang dominan mendominasi proses pembelajaran. Dengan normalisasi yang tepat, model dapat belajar secara stabil dan efektif, menghasilkan akurasi yang jauh lebih tinggi.

Validasi Empiris dan Implikasi Kinerja

      Untuk memvalidasi keefektifan "Shape", sebuah model dengan 10,9 juta parameter dilatih menggunakan 61.052 mesh CAD dari tiga dataset industri utama: Thingi10K, MFCAD, dan Fusion360. Pelatihan dilakukan selama 50 epoch menggunakan perangkat keras yang kuat. Hasilnya sangat menjanjikan: pada validasi dengan 2.983 mesh yang berbeda, "Shape" mencapai skor R² sebesar 0.729 untuk rekonstruksi dan akurasi top-1 retrieval sebesar 98.1% di bawah protokol Wang–Isola. Skor R² yang tinggi menunjukkan bahwa model sangat baik dalam merekonstruksi bentuk asli, sementara akurasi top-1 retrieval yang tinggi berarti model dapat dengan sangat akurat menemukan objek yang paling mirip dari kumpulan data yang besar.

      Penelitian juga menyertakan studi ablation (analisis komponen) yang menunjukkan dampak krusial dari normalisasi data. Tanpa normalisasi per-dimensi yang tepat, kinerja model hampir tidak dapat digunakan (R² kurang dari 0.14 dan top-1 retrieval di bawah 88%). Namun, dengan normalisasi, kedua jenis fungsi loss (MSE dan Smooth-L1) berhasil mencapai kinerja yang sangat baik (R² di atas 0.70 dan top-1 retrieval di atas 96%). Hal ini menegaskan bahwa normalisasi adalah faktor penentu utama untuk stabilitas dan efektivitas pelatihan model pada data CAD yang kompleks. Model ini, bersama dengan kode, embedding, dan demo interaktif, telah dirilis untuk memfasilitasi penelitian dan pengembangan lebih lanjut.

Aplikasi Praktis di Industri dan Manfaat Bisnis

      Model fondasi seperti "Shape" membawa implikasi besar bagi berbagai industri yang mengandalkan desain 3D dan simulasi. Di sektor manufaktur dan rekayasa, model ini dapat secara signifikan mengurangi waktu dan biaya yang terkait dengan alur kerja CFD dan FEA. Misalnya, dengan otomatisasi deteksi simetri atau pengenalan bentuk primitif pada komponen, insinyur dapat dengan cepat mengidentifikasi peluang untuk menyederhanakan simulasi, mengurangi waktu komputasi dari hitungan hari menjadi jam. Ini tidak hanya meningkatkan produktivitas tetapi juga memungkinkan iterasi desain yang lebih cepat dan lebih banyak, mendorong inovasi.

      Kemampuan "Shape" untuk menyediakan atribusi per-token juga sangat berharga. Ini berarti, ketika model membuat prediksi atau analisis, ia dapat menunjukkan bagian mana dari model 3D yang paling relevan dengan hasil tersebut. Fitur ini secara inheren menjelaskan hasil prediksi tanpa memerlukan metode pasca-pemrosesan tambahan. Bagi perusahaan seperti ARSA Technology, model dasar ini menjadi fondasi yang kuat untuk mengembangkan solusi cerdas. Kami, dengan pengalaman sejak 2018 dalam mengembangkan solusi AI & IoT, dapat memanfaatkan model fondasi geometri 3D ini untuk menciptakan sistem AI Video Analytics yang lebih canggih untuk kontrol kualitas produk manufaktur, atau sebagai bagian dari Custom AI Solutions untuk industri di sektor berbagai industri yang memerlukan analisis dan optimasi desain presisi tinggi.

Kesimpulan dan Langkah Selanjutnya

      "Shape" merepresentasikan langkah maju yang signifikan dalam aplikasi kecerdasan buatan untuk analisis geometri CAD industri. Dengan kemampuannya untuk belajar secara mandiri, menyediakan representasi yang dapat ditransfer, menawarkan mekanisme penjelasan bawaan, dan beroperasi dengan efisiensi tinggi, model ini berpotensi merevolusi cara para insinyur mendekati desain dan simulasi. Ini mengurangi ketergantungan pada keahlian manual yang memakan waktu dan membuka pintu bagi otomatisasi yang lebih besar dan wawasan yang lebih dalam dalam alur kerja rekayasa.

      Model fondasi ini membuka jalan bagi pengembangan lebih lanjut, dengan peta jalan yang sudah direncanakan untuk versi dengan parameter yang lebih besar. Bagi perusahaan yang ingin memanfaatkan kekuatan AI untuk mengubah proses desain dan rekayasa mereka, teknologi seperti "Shape" menawarkan dasar yang kuat untuk mencapai efisiensi, akurasi, dan inovasi yang belum pernah ada sebelumnya.

      Jika Anda tertarik untuk mengeksplorasi bagaimana solusi AI mutakhir dapat mengubah alur kerja desain industri Anda, jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis.

      Source: arxiv.org/abs/2604.22826