GIFT del MIT optimiza la conversión de 2D a 3D en CAD con menos cómputo

×

Investigadores del MIT, Red Hat e IBM han presentado un sistema llamado GIFT que mejora la manera en que los modelos visión‑lenguaje convierten diseños 2D en programas CAD ejecutables para modelos 3D. El equipo afirma que el método produce resultados más precisos y funcionales que los enfoques competidores, empleando solo aproximadamente el 20 % del cómputo.

El trabajo aborda un problema persistente en la ingeniería asistida por IA. Los modelos pueden generar conceptos de diseño para piezas como componentes de aviones o automóviles, pero convertir esas ideas en código CAD fiable para simulación y prototipado es mucho más difícil. Según los investigadores, un cuello de botella importante es la falta de datos de entrenamiento CAD diversos y de alta calidad.

GIFT, abreviatura de Geometric Inference Feedback Tuning, aborda esto generando nuevos datos de entrenamiento a partir de los propios intentos del modelo. En lugar de depender de trucos estándar de aumento de datos, pone a prueba un modelo preentrenado en tareas de generación de CAD, identifica dónde tiene éxito y dónde casi lo logra, y usa esos resultados para construir un conjunto de datos mejor.

“Queremos que los ingenieros puedan aplicar nuestro marco a un modelo CAD que rinda poco, establecer un presupuesto de cómputo y dejar que el sistema se encargue: convertir los propios errores del modelo en mejores datos de entrenamiento.”

Cómo GIFT mejora los modelos de imagen a CAD

El marco solicita a un modelo que genere código de consulta CAD para el mismo problema varias veces en paralelo. Luego comprueba qué salidas son correctas y cuáles están cerca. Esos fallos por poco se ajustan hasta convertirlos en soluciones exitosas y se almacenan junto a las respuestas correctas, creando ejemplos de entrenamiento centrados en los puntos débiles reales del modelo.

Recomendado

El impulso europeo en chips no acabará con la dependencia de la nube estadounidense

Eso hace que el sistema sea consciente tanto del modelo como de la tarea. También utiliza escalado en tiempo de inferencia, lo que permite que un modelo estático mejore las salidas sin el coste de volver a entrenar todo el sistema. Los usuarios pueden establecer un presupuesto de cómputo en función de restricciones de tiempo o coste.

Giannone dijo que la parte más difícil es obtener código que no solo sea casi correcto, sino totalmente ejecutable en software CAD. El equipo descubrió que los casos más útiles eran los intermedios, donde un modelo resuelve un problema solo el 50 % de las veces, en lugar de tener siempre éxito o siempre fracasar.

Presentación en ICML y siguientes pasos

El artículo fue presentado recientemente en la International Conference on Machine Learning. Los autores son Giorgio Giannone, Anna Claire Doris, Amin Heyrani Nobari, Kai Xu y los coautores sénior Akash Srivastava y Faez Ahmed.

Ahmed dijo que los sistemas actuales a menudo producen formas demasiado simples para uso real en ingeniería, y que este trabajo acerca las herramientas de diseño por IA a la práctica cotidiana al permitir que los modelos mejoren a partir de sus propios errores en lugar de esperar más datos creados por humanos.

Por ahora, el enfoque está en la geometría. A continuación, los investigadores quieren ampliar GIFT para que los modelos puedan generar programas CAD que también mejoren el rendimiento y la fabricabilidad, y aplicar el enfoque a modelos más grandes y a una gama más amplia de tareas CAD.

La publicación es “GIFT: Bootstrapping Image-to-CAD Program Synthesis via Geometric Feedback” en arXiv (2026), con DOI 10.48550/arxiv.2603.27448.