平面图设计软件 平面图生成效果图

机器之心报导

深度学习在复杂的计算机辅助设计（CAD）绘图方面展现出了巨大的灵活性。DeepMind的研究团队，鉴于CAD草图与自然语言建模的相似性，开发了一种能够自动生成CAD草图的机器学习模型。

在制造业中，CAD的应用已相当普及。凭借其精准、灵活、快速的特点，CAD已经取代了传统的纸笔画图方式，现在几乎所有物品的画图建模都依赖于CAD。在CAD模型中，高度结构化的2D草图是3D构造的核心，但也是工程师面临的难题之一。由于草图制作需要多年的培训和经验，工程师们常常难以在关注设计细节的同时完成更大层面的任务。接下来，CAD技术将结合机器学习技术，以实现可预测设计任务的自动化，使工程师能够更专注于主要任务，以更少的精力打造更好的设计。

在最新的研究中，DeepMind提出了一种新型的机器学习模型。这种模型能够自动生成此类草图，并利用通用语言建模技术和现成的数据序列化协议，展现出足够的灵活性以适应各领域的复杂性。不论是无条件合成还是图像到草图的转换，这种模型都表现良好。

以下是研究的主要工作内容：

1. 使用Protocol Buffer（PB）设计了一种描述结构化对象的方法，并在CAD草图领域展示了其灵活性。

2. 借鉴最近的语言建模经验，提出了几种捕捉序列化PB对象分布的技术。

3. 利用超过470万精心预处理的参数化CAD草图作为数据集，并使用此数据集验证了生成的模型。实际的实验规模在数据量和模型能力方面都远超此描述。

DeepMind的这项研究得到了网友的高度评价。用户@Theodore Galanos表示：“非常棒的解决方案。我曾尝试使用SketchGraphs作为多模态模型的候选方案，但序列的格式和长度处理起来太困难了。期待在建筑设计中也能使用这种方法。”

草图在CAD中的重要性

2D草图是CAD的核心，是构成三维形式的基础。草图由各种线、弧、样条线和圆组成，通过特定的约束（如正切、垂直和对称）相互关联。这些约束旨在传达设计意图，并定义了在实体的各种变换下形状应如何变化。

草图中的约束问题

约束使草图比看起来要复杂得多。它们展示了可以影响草图中每个实体的关系。在草图中，即使微小的变化也可能导致整个设计的改变。选择合适的约束和实体，以及在语法上使它们起作用，以形成一个一致的约束系统，同时保留设计意图，这是一个极其困难的问题。

草图与自然语言建模的相似性

草图的构造复杂性有些类似于自然语言建模。在选择下一个约束或实体时，就像在生成句子中的下一个单词一样。而这两者中的选择都必须在语法上起作用，并保留设计意图。

数据处理与模型训练

为了处理和存储草图数据，研究者选择了PB而非Onshape API提供的原始JSON格式。这种选择的优势在于，它可以为结构各异的复杂物体定义更精准的规格，同时减少不必要的信息占用空间。研究者将草图表示为tokens序列，以便使用语言建模生成草图。这种文本格式的优点是它可以应用任何现成的文本数据建模方法。

模型取样与实验结果

建立模型的主要目标是估计数据集中2D草图的分布。研究者使用两种模型进行取样：字节模型和triplet模型。从字节模型取样与典型的基于Transformer的语言建模过程相同，而triplet模型则需要更多的定制处理。实验结果显示，各种模型的可能性均被成功测试。

DeepMind的研究团队表示，这只是初步的概念验证实验。他们希望看到更多利用已开发接口的灵活性优势开发的应用程序，如以各种草图属性为条件，给定实体来推断约束，以实现图纸的自动完成。