Innovativer Ansatz zur automatisierten CAD-Modellierung mit CADEvolve

Revolution in der CAD-Modellierung: CADEvolve ermöglicht realistische Designs durch Programmentwicklung

Die Automatisierung in der rechnergestützten Konstruktion (CAD) hat sich in den letzten Jahren erheblich weiterentwickelt. Neueste Forschungsergebnisse, wie das Projekt CADEvolve, versprechen eine weitere Transformation durch die Evolution von CAD-Programmen. Dieser Ansatz zielt darauf ab, die Erstellung realistischer und komplexer CAD-Modelle zu optimieren und die derzeitigen Limitierungen durch unzureichende Datensätze zu überwinden.

Die Herausforderung: Datenknappheit und Komplexität in CAD

Die CAD-Modellierung ist ein Fundament im Ingenieurwesen und in der Fertigung. Sie ermöglicht eine schnelle und editierbare Gestaltung von Produkten. Obwohl die Künstliche Intelligenz (KI) das Potenzial hat, viele CAD-Aufgaben zu automatisieren, wird der Fortschritt oft durch mangelnde Daten gebremst. Bestehende öffentliche Korpora bestehen hauptsächlich aus einfachen Skizzen-Extrusions-Sequenzen. Ihnen fehlen komplexe Operationen, die Komposition mehrerer Operationen und eine tiefere Designabsicht. Dies erschwert das effektive Fine-Tuning von KI-Modellen.

Versuche, diese Lücke mit eingefrorenen Vision-Language Models (VLMs) zu schließen, führen oft zu einfachen oder ungültigen Programmen, da den aktuellen Basismodellen ein ausreichendes 3D-Verständnis fehlt. Hier setzt CADEvolve an, um diese Einschränkungen zu überwinden und neue Möglichkeiten für die automatisierte CAD-Generierung zu schaffen.

CADEvolve: Ein evolutionärer Ansatz zur Datengenerierung

CADEvolve ist eine evolutionär basierte Pipeline und ein Datensatz, der mit einfachen geometrischen Primitiven beginnt. Durch VLM-gesteuerte Bearbeitungen und Validierungen werden CAD-Programme schrittweise zu industrietauglicher Komplexität entwickelt. Das Ergebnis dieser Pipeline sind etwa 8.000 komplexe Teile, die als ausführbare parametrische CadQuery-Generatoren ausgedrückt werden. Nach einer mehrstufigen Nachbearbeitung und Erweiterung entsteht ein vereinheitlichter Datensatz von 1,3 Millionen Skripten, die mit gerenderter Geometrie gepaart sind und das gesamte CadQuery-Operationsset nutzen.

Ein auf CADEvolve feinabgestimmtes VLM erzielt laut den Autoren bei der Image2CAD-Aufgabe, also der Umwandlung von Bildern in CAD-Modelle, auf Benchmarks wie DeepCAD, Fusion 360 und MCB Ergebnisse, die den aktuellen Stand der Technik übertreffen. Dies unterstreicht das Potenzial des entwickelten Datensatzes und der Methodologie.

Drei Ebenen des CADEvolve-Datensatzes

Der CADEvolve-Datensatz ist in drei Stufen unterteilt, um unterschiedliche Aspekte der CAD-Modellierung abzudecken:

• CADEvolve-G (Generatoren): Diese Ebene besteht aus 7.945 parametrischen Generatoren. Jeder Generator repräsentiert eine Klasse von Teilen und kann verschiedene Variationen eines Designs erzeugen.
• CADEvolve-P (Programme): Hierbei handelt es sich um etwa 800.000 ausführbare CadQuery-Skripte, die aus den Generatoren abgeleitet und mit entsprechender Geometrie gepaart wurden. Diese Skripte weisen einen beliebigen Codestil auf.
• CADEvolve-C (Kanonisierte Skripte): Diese Stufe umfasst etwa 800.000 kanonisierte, normalisierte und binarisierte Skripte, die speziell für das Training von KI-Modellen optimiert wurden. Die Kanonisierung stellt sicher, dass die Skripte eine einheitliche Struktur, Größe und numerische Rasterung aufweisen, um das Lernen der Konstruktionslogik zu erleichtern.

Evolutionäre Synthese und Validierung

Der Prozess der Datengenerierung in CADEvolve-G beginnt mit einem initialen Pool von 46 handgeschriebenen Generatoren. Diese decken ein breites Spektrum an Operationen wie Extrusion, Rotation, Loft, Sweep, Fillet, Chamfer, Booleans und lokale Muster ab. In einer Propose-Execute-Filter-Schleife werden aus diesem Pool Elternteile ausgewählt, um neue Programme zu generieren:

1. Eltern-Sampling: Zufällige Auswahl von K Elternteilen aus dem aktuellen Pool, um die Rekombination von Operationen zu fördern.
2. Metadaten-Vorschlag für Kinder: Ein GPT-5-mini-Modell schlägt Metadaten für neue Kinder vor, einschließlich Name, abstrakter und detaillierter Beschreibung sowie einer Liste der Elternteile, von denen es erbt. Die Vorschläge zielen darauf ab, einzelne Volumenkörper zu implizieren und komplexere Geometrien als die Elternteile zu erzeugen.
3. Codesynthese mit Retrieval: Für jedes Kind wird ein Satz von Nachbarn abgerufen, deren detaillierte Beschreibung eingebettet und mit dem Code der gesampelten Elternteile vereinigt wird. GPT-5-mini erstellt dann eine monolithische, parametrische CadQuery-Funktion.
4. Stufenweise Validierung und Selbstkorrektur: Die generierten Programme durchlaufen eine strenge Validierung, die die Kompilierbarkeit, die geometrische Gültigkeit und die visuell-textliche Übereinstimmung prüft. Bei Fehlern wird das Modell angewiesen, gezielte Korrekturen vorzunehmen.
5. Selektion und Wachstum: Nur Programme, die alle Validierungsstufen bestehen, werden in den Pool der akzeptierten Programme aufgenommen und dienen als Grundlage für weitere Iterationen.

Herausforderungen und Lösungsansätze

Ein anfängliches Problem war das "Template Collapse" bei direktem Training auf den gesampelten Skripten, bei dem Modelle zu stark auf feste Codeskelette fixiert waren. Dies wurde durch umfangreiche Code-Augmentierungen mittels eines kompakten LLM (gpt-5-mini) behoben, das bis zu 10 semantisch äquivalente Umschreibungen pro Skript erzeugte. Die anschließende Kanonisierung, die eine Vereinheitlichung von Format, Größe und numerischem Raster umfasst, trug ebenfalls maßgeblich zur Verbesserung der Lernergebnisse bei.

Die Forschung zeigt, dass CADEvolve einen signifikanten Schritt in Richtung einer effizienteren und datengestützten CAD-Modellierung darstellt. Durch die Bereitstellung eines umfangreichen, qualitativ hochwertigen Datensatzes und einer robusten Generierungspipeline wird die Grundlage für zukünftige Fortschritte in Bereichen wie Image2CAD, PC2CAD/Scan2CAD und Text2CAD gelegt.

Fazit und Ausblick

CADEvolve demonstriert das Potenzial evolutionärer Algorithmen in Kombination mit Vision-Language Models, um die Erzeugung komplexer CAD-Daten zu revolutionieren. Die Fähigkeit, realistische und vielfältige parametrische CAD-Programme zu generieren, überwindet die Limitierungen herkömmlicher, datenarmer Ansätze. Dies ermöglicht es KI-Modellen, ein tieferes Verständnis für Designabsichten und komplexe Operationen zu entwickeln.

Die offene Verfügbarkeit des CADEvolve-Datensatzes und der entwickelten Modelle bietet der Forschungsgemeinschaft eine wertvolle Ressource, um die Entwicklung von KI-gestützten CAD-Systemen weiter voranzutreiben. Das Projekt unterstreicht, wie innovative Ansätze in der Datengenerierung entscheidend dazu beitragen können, die Leistungsfähigkeit von KI in anspruchsvollen technischen Anwendungen zu steigern.

Bibliographie

• Elistratov, M., Barannikov, M., Ivanov, G., Khrulkov, V., Konushin, A., Kuznetsov, A., & Zhemchuzhnikov, D. (2026). CADEvolve: Creating Realistic CAD via Program Evolution. arXiv preprint arXiv:2602.16317.
• Hugging Face. (n.d.). CADEvolve: Creating Realistic CAD via Program Evolution. Abgerufen von https://huggingface.co/papers/2602.16317
• Preintner, T., Yuan, W., König, A., Bäck, T., Raponi, E., & van Stein, N. (2025). EvoCAD: Evolutionary CAD Code Generation with Vision Language Models. arXiv preprint arXiv:2510.11631.
• Yu, N., Alam, M. F., Hart, A. J., & Ahmed, F. (2025). GenCAD-3D: CAD Program Generation using Multimodal Latent Space Alignment and Synthetic Dataset Balancing. arXiv preprint arXiv:2509.15246.
• Govindarajan, P., Baldelli, D., Pathak, J., Fournier, Q., & Chandar, S. (2025). CADmium: Fine-Tuning Code Language Models for Text-Driven Sequential CAD Design. arXiv preprint arXiv:2507.09792.