대규모 기초 모델(LFMs)은 토목 공학에서 상당한 이점을 입증하였지만, 주로 텍스트 및 시각적 데이터에 중점을 두어 BIM(건축 정보 모델링) 모델의 풍부한 의미적, 공간적, 위상적 특성을 간과하였습니다. 따라서 본 연구는 BIM 모델에 내재된 다차원 설계 특성을 학습하고 재사용하기 위해 최초의 대규모 그래프 신경망(GNN)인 BIGNet을 개발하였습니다. 첫째, BIM 구성 요소의 "의미-공간-위상적" 특성을 인코딩하기 위해 확장 가능한 그래프 표현이 도입되었고, 거의 100만 개의 노드와 350만 개의 엣지를 포함하는 데이터셋이 생성되었습니다. 이후, 새로운 메시지 전달 메커니즘을 GraphMAE2에 도입하여 BIGNet이 제안되었으며, 노드 마스킹 전략으로 추가 사전 훈련되었습니다. 마지막으로, BIGNet은 BIM 기반 설계 검토를 위한 다양한 전이 학습 작업에서 평가되었습니다. 결과는 다음과 같이 나타났습니다: 1) 동질적인 그래프 표현이 설계 특성 학습에서 이질적인 그래프보다 우수하다, 2) 30cm 반경 내의 지역적 공간 관계를 고려하면 성능이 향상된다, 3) GAT(그래프 주의 네트워크) 기반 특성 추출을 가진 BIGNet이 최고의 전이 학습 결과를 달성한다. 이 혁신은 비사전 훈련 모델에 비해 평균 F1 점수가 72.7% 향상되는 결과를 가져오며, BIM 설계 특성을 학습하고 이전하는 데 효과적임을 입증하고 향후 설계 및 생애 주기 관리에서의 자동화된 적용을 촉진합니다.
Han et al. (Sun,)은 이 질문을 연구하였습니다.