Forskere har præsenteret HiFi-BRep, et nyt framework til generering af Boundary Representation (B-Rep) – den dominerende datastruktur i computer-aided design (CAD). Metoden adresserer to grundlæggende svagheder i eksisterende deep generative modeller: repræsentationsbrist, der skyldes støj og forurening i latent space, og generationsbrist, der opstår fra sekventiel fejlforspredning og mismatch mellem træning og inferens. HiFi-BRep introducerer en topologi-bevidst encoder, der eliminerer padding via lærbare queries og forhindrer feature-kontaminering med topologi-styret attention. Samtidig bruger modellen en single-stage decoder, der forudsiger geometri og topologi parallelt og indlejrer manifold-constraints som en differentiabel læringsmål. Ifølge forfatterne opnår HiFi-BRep markant bedre resultater end state-of-the-art metoder på både strukturel validitet og geometrisk præcision. Kode og modeller er offentligt tilgængelige på GitHub, og papiret kan læses på Hugging Face.
For beslutningstagere i produktudvikling og fremstilling betyder dette, at AI-drevet design bliver mere pålideligt. Tidligere har generativ B-Rep ofte produceret ugyldige eller upræcise geometrier, hvilket har begrænset brugen i industrielle workflows. Ved at angribe fejlkilderne direkte – i stedet for at patche symptomer – kan HiFi-BRep bane vejen for mere automatiseret og skalerbar CAD-generering, hvilket potentielt reducerer designiterationer og accelererer time-to-market for nye produkter.
