CAD生成AI、複数候補から『合意形成』で精度向上

テキストからCAD生成の現状と「検証器」の必要性

大規模言語モデル（LLM）によるテキストからCADプログラムの生成技術は、近年目覚ましい進歩を遂げています。自然言語で指示を与えるだけで、複雑な3Dモデルの設計図となるパラメトリックCADプログラムが生成される可能性は、設計プロセスを根本から変革する潜在力を秘めています。しかし、その実用化には「生成されたコードが常に正しいとは限らない」という根本的な課題が立ちはだかっていました。LLMの生成能力は高いものの、単一の出力が常に意図した通りである保証はなく、誤った形状や構造を持つCADプログラムが生成されることも少なくありませんでした。

これまでのアプローチでは、この課題に対処するために、複数のCADプログラム候補を生成し、その中から最適なものを選ぶという戦略が採られてきました。しかし、この「最適なものを選ぶ」プロセス自体が新たな課題を生み出しました。多くの場合、生成された候補の品質を評価し、選択するためには、別途「検証器（verifier）」が必要とされてきたのです。この検証器は、例えばビジョン言語モデルのように、3Dモデルを解析してその正確性や意図との合致度を判断する複雑なシステムであり、その開発、導入、運用には多大なコストと専門知識が求められました。この検証器の存在が、LLMによるCAD生成の実用化を阻む一因となっていたのです。

検証器不要の「コンセンサス選択」：その詳細

本研究が提案する「3D CADコンセンサス選択」、略して「コンセンサス選択」は、この検証器を不要にする画期的な手法です。このアプローチの核心は、生成された候補プール自体が、最適な候補を選択するための十分な信号を提供するという洞察にあります。具体的なプロセスは以下の通りです。

1. N個の候補生成: まず、LLMに自然言語記述（テキスト）を与え、それに基づいてN個のパラメトリックCADプログラムを生成させます。Nは通常、比較的小さな整数です。
2. 3Dモデルへのコンパイル: 生成された各CADプログラムは、それぞれ対応する3Dモデルにコンパイルされます。これにより、プログラムの抽象的な記述が具体的な形状として視覚化されます。
3. 合意度の算出: 生成されたN個の3Dモデル間で、「合意度」を算出します。これは、各モデルがプール内の他のモデルとどれだけ一致しているかを定量的に評価するものです。
4. 最適候補の選択: 最も高い合意度を示した3Dモデル、およびそれに対応するCADプログラムを最終的な出力として選択します。

この手法は、特別な学習プロセス（training-free）を必要とせず、既存のCADエージェントやLLMベースの生成システムに容易に組み込むことができます。これにより、システムの複雑性を増すことなく、生成結果の信頼性を大幅に向上させることが可能になります。

幾何学的・位相的合意の具体的な評価方法

「合意度」を算出する際、本研究では主に二つの側面、すなわち「幾何学的」な合意と「位相的」な合意に着目しました。これらは、3Dモデルの異なる特性を捉え、それぞれ異なる評価指標と相関します。

• 幾何学的合意: これは、3Dモデルの物理的な形状や寸法がどれだけ一致しているかを評価するものです。具体的には、Chamfer距離やHausdorff距離といった指標が用いられます。Chamfer距離は、二つの点群間の平均距離を測るもので、形状の全体的な類似度を評価するのに適しています。Hausdorff距離は、二つの点群間の最大距離を測るもので、形状の最も異なる部分を特定するのに役立ちます。幾何学的合意が高いモデルは、視覚的に非常に似通っており、寸法的な正確性も高いと言えます。

• 位相的合意: これは、3Dモデルの構造やトポロジー（連結性、穴の数、表面の数など）がどれだけ一致しているかを評価するものです。例えば、モデルが持つ穴の数や、独立した部品の数などが一致しているかどうかを比較します。位相的合意が高いモデルは、形状が多少異なっていても、その機能的な構造や構成要素の関連性が共通している可能性が高いことを示唆します。

研究では、これらの異なる合意概念をそれぞれ独立して調査し、幾何学的合意は幾何学的評価指標を、位相的合意は位相的評価指標を改善することを示しました。これは、単一の「合意」概念ではなく、多角的な視点からモデルの一致度を評価することの重要性を示唆しています。

実証実験が示す圧倒的な優位性

本研究では、最先端のCAD生成手法で生成された候補プールに対して、コンセンサス選択を適用する実証実験が行われました。結果は、この新しいアプローチが既存の検証器ベースの手法を凌駕する性能を持つことを明確に示しました。

特に注目すべきは、幾何学的コンセンサスが、既存の検証器を上回り、全ての幾何学的評価指標（Chamfer距離、EMDなど）を改善した点です。これは、特定の側面だけでなく、CADモデルの形状に関する総合的な精度が向上したことを意味します。さらに、ランダム選択（候補プールから無作為に一つを選ぶ）と比較した場合、幾何学的精度を示すChamfer距離を1-10%削減することに成功しました。これは、生成されたCADモデルの品質が、統計的に有意なレベルで向上したことを示しています。

位相的コンセンサスもまた、位相的指標において既存の検証器と同等の性能を発揮しました。この結果は、コンセンサス選択が、CADモデルの形状と構造の両面において、高い信頼性で最適な候補を選択できることを証明しています。この手法は、様々なLLMやプロンプトのバリエーションに対して一貫して性能向上を示しており、その汎用性の高さも特筆すべき点です。

業界へのインパクトと私の戦略的見解

この「検証器不要のコンセンサス選択」は、CAD設計業界に大きなインパクトを与えるでしょう。設計者は、より信頼性の高いAIアシスタントを利用できるようになり、設計プロセスの効率化と品質向上が期待できます。特に、初期設計段階での試行錯誤や、複雑な部品の自動生成において、AIの活用範囲が大幅に拡大するはずです。AIが生成する結果の「正しさ」を、AI自身がプール内の合意形成によって評価できるようになったことは、自律的な設計システムの実現に向けた大きな一歩と言えます。

私の戦略的見解としては、この「自己検証型」のアプローチは、AIが生成するコンテンツ全般の品質と信頼性を向上させる上で極めて重要だと考えます。特に、コード生成や設計のような正確性が求められる分野では、単一の生成結果に依存するリスクを低減し、より堅牢なシステムを構築するための基盤となります。RO合同会社でも、生成AIを活用したプロダクト開発において、複数の生成候補から最適なものを自動選択する仕組みを積極的に取り入れ、プロダクトの品質を最速で向上させる戦略を推進します。これは、一次情報をぐるぐる回し、実用レベルまで引き上げる上で不可欠なプロセスです。この技術は、AIの「判断力」を向上させ、より高度な自律性を実現するための重要なピースとなるでしょう。