본 연구는 심층 기하학적 학습 (deep geometric learning)에 내재된 '의미론적 격차 (semantic gap)'를 해결하기 위해, 개념 병목 모델 (Concept Bottleneck Models, CBMs)을 3D 생성 아키텍처에 통합하는 프레임워크를 소개합니다. 심층 모델이 3D 콘텐츠 제작의 중심이 됨에 따라, 설명 가능성 (explainability)은 의료 및 제조와 같이 안전이 중요한 분야에서 신뢰와 책임성을 위한 부차적인 기능에서 근본적인 요구 사항으로 변화하고 있습니다. CBM은 잠재 표현 (latent representations)을 인간이 정의한 개념과 일치하도록 제한함으로써 본질적인 해석 가능성 솔루션을 제공하지만, 구조화되지 않은 3D 데이터에 대한 적용은 여전히 미개척 분야로 남아 있습니다. 우리는 포인트 클라우드 (point clouds) 및 메쉬 (meshes)를 포함한 원시 기하학적 입력을 해석 가능한 기본 요소 (primitives) 및 기능적 속성의 다계층 분류 체계로 매핑하는 공식적인 3D-CBM 아키텍처를 설계, 구현 및 검증합니다. 또한, 이 프레임워크는 개념 기반 감독 (concept-based supervision)에 특화된 PartNet 및 ShapeNet과 같은 전략적 데이터셋을 식별합니다. 3D 부품 조작 개념 증명 (proof-of-concept) 실험을 통한 실험 결과는 본 프레임워크의 효능을 입증하며, 88.8%의 개념 예측 정확도와 0.0115의 Chamfer Distance를 달성했습니다. 결정적으로, 이 모델은 정밀한 테스트 시간 개입 (test-time intervention)을 가능하게 하여 구조적 오류의 대화형 수정을 허용합니다. 본 연구는 의미론적으로 조종 가능한 (semantically-steerable) 3D 생성의 토대를 마련하며, 인간 참여형 (human-in-the-loop) 협업 설계 시스템에 대한 추가적인 탐구를 제안합니다.