التفاعل والبعد بين النقاط هما محوران مهمان في تصميم مشغلي النقاط لخدمة النماذج ثلاثية الأبعاد الهرمية. ومع ذلك، فإن هذين المحورين غير متجانسين وصعيب الاستكشاف بشكل كامل. تركز الأعمال الحالية على تصميم مشغل نقطة تحت محور واحد وتعيد استخدام المشغل المصمم في جميع أجزاء النماذج ثلاثية الأبعاد. هذا يغفل الفرصة لتحقيق أفضل دمج للتفاعلات البينية والابعاد من خلال استغلال الهندسة/الكثافة المتغيرة للسحابات النقطية ثلاثية الأبعاد. في هذا العمل، ننشئ PIDS، وهو نموذج جديد يستكشف التفاعلات البينية وأبعاد النقاط بشكل مشترك لخدمة تقسيم المعنى للبيانات السحابية النقطية. ننشئ فضاء بحث كبيرًا يأخذ في الاعتبار تفاعلات النقاط وأبعادها المتنوعة. هذا يدعم مشغلي النقاط الذين لديهم اعتبارات مختلفة بشأن الهندسة/الكثافة. يتطلب توسيع فضاء البحث مع مكونات بحث غير متجانسة تصنيفًا أفضل للنماذج المرشحة. لتحقيق هذا، نحسن استكشاف فضاء البحث باستخدام البحث عن العمارة العصبية القائمة على المتنبئ (Neural Architecture Search - NAS)، ونعزز جودة التنبؤ من خلال تعيين ترميز فريد لمكونات البحث غير المتجانسة بناءً على خلفياتها. قمنا بتقييم شامل للشبكات التي تم تصميمها بواسطة PIDS على منصتين لتقسيم المعنى، مما أظهر تحسينًا بنسبة ~1% في mIOU على SemanticKITTI وS3DIS مقارنة بأحدث النماذج ثلاثية الأبعاد.