CAPP-GPT: A Large Multimodal Model via a Custom Encoder-Decoder Architecture for Macro-Computer Aided Process Planning
Notice bibliographique
Résumé
In this article, a Large Multimodal Model (LMM) is developed for the macro-CAPP for Hybrid Manufacturing (HM), which leverages the flexibility of metal-based additive manufacturing and metal cutting. A Generative Pretrained Transformer (GPT) architecture is developed to address the problem at hand. CAPP-GPT uses an architecture with an encoder-decoder layout, where a Part Encoder processes part data and a Plan Decoder generates the plan sequence. The LMM's Part Encoder handles CAD data, converting it into token embeddings with positional information. It then performs geometric feature recognition followed by mapping each geometric feature into its processing steps or features. Using the geometric and processing features as supportive encoder input, the Plan Decoder autoregressively predicts the sequence of operations on processing features, starting with a special token and iterating until the sequence is complete. The developed architecture allows for robust and systematic process planning for hybrid manufacturing. A framework employing a hybrid approach combining Operations Research and Machine Learning (ML) to generate the corpus for the pretraining of GPT has been developed. It can independently create process plans without commercial datasets, using a hybridized heuristic that considers additive and subtractive manufacturing's unique requirements. Constrained clustering, interpretable ML Logical Analysis of Data (LAD), and mathematical programming are integrated to iteratively develop process plans by identifying promising patterns through LAD in an autoregressive manner by rule mining.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».