الانقسام الحتمي: لماذا تخمّن نماذج اللغة الكبيرة البكسلات بينما الرسوم البيانية المستنيرة بالفيزياء تحسب الأحمال

الملخص التنفيذي: مفارقة الشرفة

تقف صناعة العمارة والهندسة والإنشاء (AEC) حالياً على حافة انشقاق تقني، سيحدّد ملف سلامة بيئتنا المبنية للقرن المقبل. فعلى أحد الجانبين يقع الوعد الآسر للذكاء الاصطناعي التوليدي— نماذج اللغة الكبيرة (LLMs) ونماذج اللغة الكبيرة متعددة الوسائط (MLLMs) التي يبدو أنها «تقرأ» المخططات، وتولّد مفاهيم تصميمية، وتتحاور حول أكواد البناء بطلاقة شبيهة بالإنسان. وعلى الجانب الآخر تقع حقيقة الفيزياء الصارمة غير القابلة للتغيير. فالشرفة لا تصمد لأن وصفاً نصياً يقول إنها «متينة»، ولا تقاوم الجاذبية لأن تحليلاً قائماً على البكسل يتعرف على الحضور البصري لدرابزين. إنها تصمد فقط إذا كان مسار الحمل متصلاً، وبقي توزيع الإجهاد ضمن الحد المرن للمواد، وأرضت طوبولوجيا المنشأ المعادلات التفاضلية الحاكمة للاتزان.

يحقّق هذا التقرير الفني، المعدّ لـ Veriprajna، في التباين الجوهري بين الذكاء الاصطناعي الاحتمالي القائم على البكسل (الموجة الحالية من الذكاء الاصطناعي التوليدي) والذكاء الاصطناعي القائم على البنية الحتمي (منهج Veriprajna باستخدام التعلّم العميق الهندسي). نستكشف الضعف التأسيسي لتطبيق معماريات عصبية إقليدية—مثل محوّلات الرؤية—على الواقع غير الإقليدي للهندسة الإنشائية. ونُبيّن بتحليل صارم لمعايير قياس حديثة لماذا تكون نماذج اللغة الكبيرة متعددة الوسائط، رغم براعتها اللغوية، عرضة لهلوسات خطرة عند تكليفها بالاستدلال الإنشائي. إنها ترى المخطط مجموعة بكسلات يُتنبّأ بها؛ ولا تحسب الأحمال التي تمثّلها تلك البكسلات.

وفي المقابل، نقدّم إطاراً شاملاً لـ التعلّم العميق الهندسي (GDL) والشبكات العصبية المستنيرة بالفيزياء (PINNs) . يحوّل هذا المنهج المخططات الهندسية لا إلى رموز، بل إلى رسوم بيانية رياضية تعمل فيها العقد كأعضاء إنشائية والحواف كمسارات حمل. وبغرس قوانين الفيزياء مباشرة في دوال خسارة الشبكة العصبية، ننتقل من التخمين الاحتمالي لسؤال «هل هذا آمن؟» إلى الحساب الحتمي لسؤال «هل سيصمد هذا؟»

تواجه الصناعة سؤالاً حاسماً تجيب عنه Veriprajna بيقين رياضي: هل تبنون على أساس من الرياضيات، أم من الاحتمال؟

1. هلوسة السلامة: لماذا تفشل نماذج اللغة الكبيرة متعددة الوسائط في الاستدلال الإنشائي

أدى الانتشار السريع لنماذج اللغة الكبيرة إلى خلط خطير بين الوجاهة و_الدقة_ . ففي مجال الكتابة الإبداعية أو النصوص التسويقية، كثيراً ما يكفي جواب وجيه. أما في الهندسة الإنشائية، فالجواب الوجيه لكنه غير صحيح كارثي. ويكمن نمط الفشل الجوهري لنشر نماذج اللغة الكبيرة في التحليل الإنشائي في معماريتها: إنها محركات احتمالية مصممة للتنبؤ بالرمز أو البكسل التالي، لا محركات منطق مصممة لحل القيود الفيزيائية.

1.1 فخ البكسل: محوّلات الرؤية ووهم الفهم

عندما «يرى» نموذج لغة كبير متعدد الوسائط، مثل GPT-4V أو Gemini، مخططاً إنشائياً، فإنه لا يدرك جائزات أو أعمدة أو مسارات حمل. إنه يستخدم معمارية محوّل الرؤية (ViT) لمعالجة الصورة. يقسّم ViT الصورة إلى تسلسل من الرقع ثابتة الحجم (مثل $16 \times 16$ بكسل)، ويُسطّحها إلى متجهات، ويعالجها لتقليل خسارة التدريب. ¹

والأهم أن أبحاثاً نظرية حديثة تكشف أن شبكات ViT تقلّل هذه الخسارة بتعلّم «ارتباطات الرقع»—ارتباطات إحصائية بين عناقيد البكسل—لا الطوبولوجيا المكانية الحقيقية. ¹ قد يتعلّم النموذج أن رقعة تحتوي خطاً عمودياً (عموداً) مرجّحة إحصائياً أن تجاور رقعة تحتوي خطاً أفقياً (جائزاً). غير أن هذا ارتباط، لا فهم سببي. فالنموذج لا يفهم أن الخط الأفقي مدعوم بالخط العمودي. وإذا أُزيل الخط العمودي، قد تنزاح التوزيعات الاحتمالية للنموذج قليلاً، لكن ليس لديه محرك فيزياء داخلي يخبره أن الخط الأفقي يجب أن يسقط الآن.

ويفسّر منهج «كيس الرقع» هذا لماذا تكافح نماذج اللغة الكبيرة في الاستدلال المكاني الدقيق. ففي تجارب يُبدَّل فيها ترتيب بكسلات الصورة أو الرقع (تُخلط)، كثيراً ما تحتفظ شبكات ViT بدقة تصنيف عالية، مما يُثبت أنها لا تعتمد على البنية المكانية الصارمة للجسم بل على حضور النسيج والأنماط المحلية. ¹ أما في الهندسة، فإن البنية المكانية هي كل شيء. فتفصيل اتصال «موجود في معظمه» لكنه يفتقد استمرارية مسار حمل حرجة ليس آمناً بنسبة 90%؛ إنه غير آمن بنسبة 100%. وبمعاملة المخططات كبكسلات، تفوّت نماذج اللغة الكبيرة جوهرياً الطبيعة الثنائية للاستقرار الإنشائي.

الميزة	محوّل الرؤية (LLM)	واقع الهندسة
وحدة الإدخال	رقعة بكسل ($16 \times 16$ شبكة)	عنصر إنشائي (جائز، عمود)

العلاقة	ارتباط إحصائي (انتباه)	سببية فيزيائية (نقل الحمل)
الفهم المكاني	تضمين موضعي (مُتعلَّم)	اتصال طوبولوجي (مطلق)
نمط الفشل	هلوسة (يبدو آمناً)	انهيار (غير آمن)
مجال البيانات	إقليدي (شبكي)	غير إقليدي (بياني)

1.2 حكم DSR-Bench: قياس فجوة الاستدلال كمياً

فرضية أن نماذج اللغة الكبيرة تكافح في الاستدلال الإنشائي ليست نظرية فحسب؛ بل أُثبتت تجريبياً. فقد قيّم DSR-Bench (معيار استدلال هياكل البيانات) مؤخراً قدرات الاستدلال الخوارزمي لعشرة نماذج لغة كبيرة متقدمة عبر 35 عملية و4,140 حالة مسألة مولَّدة اصطناعياً. ³ وكانت النتائج مقلقة لأي مؤيد للهندسة القائمة على نماذج اللغة الكبيرة.

صُمّم المعيار لاختبار «الاستدلال الإنشائي»—القدرة على فهم العلاقات المعقدة بين الكيانات ومعالجتها، وهو وكيل مباشر لفهم إطار المبنى.

●​ سقف الأداء: لم يحقّق النموذج الحدودي الأعلى أداءً سوى درجة 0.498 من 1.0 في حالات صعبة تتضمن هياكل هجينة وتركيبية. ³

●​ أنماط الفشل: أظهرت النماذج نقاط ضعف حرجة في الاستدلال متعدد القفزات (تتبع علاقة عبر عقد وسيطة متعددة) وإرضاء القيود (الالتزام بقواعد صارمة يحدّدها المستخدم).

●​ العجز المكاني: في مهام البيانات المكانية—التي تحاكي الطبيعة متعددة الأبعاد للهياكل الفيزيائية في العالم الحقيقي—انخفض الأداء بشكل كبير مع ازدياد الأبعاد. ³

والأشد إثارة للقلق أن الدراسة وجدت أن أداء النموذج يتدهور عندما تُوصف المسائل بـ«اللغة الطبيعية» مقارنة بالشيفرة الرسمية. وهذا يوحي بأن نماذج اللغة الكبيرة تعتمد على مطابقة أنماط لتراكيب نحوية محددة (محفوظة من بيانات تدريب مثل GitHub) بدلاً من الانخراط في استدلال حقيقي. وعندما يصف مهندس مسألة إنشائية فريدة غير قياسية بلغة إنجليزية بسيطة، يُدفع نموذج اللغة الكبير خارج أنماطه المحفوظة إلى نمط استدلال يفشل إحصائياً فيه 50% من الوقت. ³

1.3 دليل DesignQA: العجز عن التحقّق من المتطلبات

تأتي أدلة إضافية من DesignQA، وهو معيار بُني خصيصاً لتقييم نماذج اللغة الكبيرة متعددة الوسائط في سياقات التصميم الهندسي. ⁴ ركّزت هذه الدراسة على قدرة النماذج على استخراج المتطلبات التقنية من الوثائق وتطبيقها على مصنوعات التصميم.

وعزّزت النتائج «وهم الكفاءة». فبينما استطاعت النماذج متعددة الوسائط تلخيص نص كود بناء أو معيار هندسي بطلاقة، فشلت في تطبيق تلك القيود الكمية بدقة على المشهد البصري للتصميم.

●​ الاستخراج مقابل التطبيق: استطاعت النماذج الإجابة عن «ما هو الحد الأقصى المسموح به للسهام ؟» (استخراج) لكنها فشلت في الإجابة عن «هل يفي تصميم هذا الجائز المحدد بالحد الأقصى المسموح به للسهام؟» (تطبيق). ⁴

●​ التحيّز للغريب: وجد بحث في اختيار المواد أن نماذج اللغة الكبيرة أظهرت تحيّزاً قوياً نحو مواد «غريبة» أو عالية الأداء (مثل التيتانيوم أو ألياف الكربون) حتى عندما كان السياق يتطلب حلولاً مجدية التكلفة، ببساطة لأن تلك المواد تظهر بتكرار في مدونة التدريب «عالية التقنية». ⁵

ويبرز هذا التحيّز نحو إجابات «تبدو أمثل» لكنها خاطئة سياقياً خطر الهلوسة. فقد يقترح نموذج لغة كبير يراجع تصميم شرفة درابزين من سبيكة عالية المتانة —بما يبدو احترافياً جداً—بينما يفشل في ملاحظة أن البلاطة الخرسانية الكابولية تفتقد التسليح العلوي، وهو السبب الفعلي للانهيار النظري.

1.4 «الببغاء العشوائي» في عالم حتمي

القضية الجوهرية هي عدم تطابق المجالات. فالهندسة الإنشائية حقل حتمي تحكمه قوانين الفيزياء. إذا $\sum F_y \neq 0$، يتسارع المنشأ. لا يوجد احتمال في الأمر. أما نماذج اللغة الكبيرة فمحركات عشوائية. تولّد نصاً استناداً إلى التوزيع الاحتمالي للرمز التالي.

عندما نسأل نموذج لغة كبير: «هل هذه الشرفة آمنة؟»، فإنه لا يحسب عزم قصور ذاتي. إنه يتنبّأ بالرموز التي عادة ما تتبع ذلك السؤال في بيانات تدريبه. فإذا احتوت بيانات تدريبه على آلاف تقارير فحص السلامة التي تخلص إلى أن «المنشأ يبدو سليماً»، فإن النموذج منحاز إحصائياً لتوليد تطمين مشابه، بغض النظر عن الدليل البصري في رقعة البكسل المحددة التي يحلّلها. إنه يخمن استناداً إلى «إحساس» البكسلات، لا إلى حساب الأحمال.

2. التعلّم العميق الهندسي: الأساس الرياضي لـ Veriprajna

لتجاوز قيود تخمين البكسل، تبني Veriprajna على التعلّم العميق الهندسي (GDL) . يعمّم هذا الحقل من الذكاء الاصطناعي الشبكات العصبية إلى مجالات غير إقليدية، وتحديداً الرسوم البيانية والمتشعبات. ⁶ في إطارنا، المبنى ليس صورة؛ إنه رسم بياني .

2.1 الواقع غير الإقليدي للمنشآت

يعمل التعلّم العميق القياسي (CNNS) على بيانات إقليدية . الصور شبكات ثنائية الأبعاد؛ والصوت شبكة أحادية البعد (الزمن). في الفضاء الإقليدي، مفهوم «الاتجاه» و«الجار» ثابت. فبكسل عند $(x,y)$ له دائماً 8 جيران بالضبط (ما لم يكن عند الحافة)، والإزاحة من $(x,y)$ إلى $(x+1, y)$ منتظمة في كل مكان. ⁷

المنشآت غير إقليدية بطبيعتها .

●​ طوبولوجيا غير منتظمة: قد تتصل عقدة فولاذية في جملون بـ 3 أعضاء؛ وقد تتصل عقدة في شبكة قطرية معقّدة بـ 8. لا توجد «شبكة» ثابتة.

●​ لا اتجاه ثابت: يُعرَّف الجائز باتصاله، لا بموضعه في صورة نقطية.

ودوران مخطط 90 درجة يغيّر كل قيمة بكسل، فيكسر شبكة CNN قياسية، لكن الرسم البياني الأساسي (الاتصالات بين الأعضاء) يبقى ثابتاً. ⁷

تستخدم Veriprajna الشبكات العصبية البيانية (GNNs) لأنها مصممة رياضياً للتعامل مع هذا الانتظام الناقص. فالشبكة العصبية البيانية لا تُكره المنشأ على شبكة؛ إنها تقبل المنشأ مجموعة عقد ($V$) وحواف ($E$) بصيغته الطوبولوجية الأصلية. ⁶

2.2 التعريف الرياضي لرسم المبنى البياني

في نظام Veriprajna، يُصاغ النموذج الإنشائي كرسم بياني $G = (V, E)$.

العقد ($V$): تمثّل كل عقدة مكوّناً إنشائياً مادياً (جائز، عمود، بلاطة، جدار). بخلاف البكسل الذي يحتوي بيانات لون فقط (RGB)، عقدة Veriprajna حاوية بيانات ثرية تحمل متجه سمات $\mathbf{x}_v$:

$$\mathbf{x}_v =$$

تلتقط هذه السمات معامل يونغ ($E$)، وعزم القصور الذاتي ($I$)، ومقاومة الخضوع ($f_y$)—وهي المعاملات الفيزيائية الفعلية المطلوبة للحساب.10 الحواف ($E$): تمثّل كل حافة اتصالاً أو تفاعلاً مادياً. توجد حافة $e_{ij}$ إذا كان العضو $i$ ينقل حملاً إلى العضو $j$. ويتضمن متجه سمات الحافة $\mathbf{x}_{e_{ij}}$ جساءة الاتصال (وثيق مقابل مفصلي) والاتجاه النسبي.

$$\mathbf{x}_{e_{ij}} =$$

هذا التمثيل ثابت أمام التبديل . فيزياء المبنى لا تتغيّر إذا أعدنا ترتيب قائمة الجائزات في قاعدة البيانات. وتحترم الشبكات العصبية البيانية هذا الثبات، في حين أن نماذج التسلسل (مثل المحوّلات في نماذج اللغة الكبيرة) حسّاسة لترتيب الإدخال. ⁷

2.3 الطي البياني وتمرير الرسائل

محرك استدلال Veriprajna هو نموذج الشبكة العصبية بتمرير الرسائل (MPNN) . في الشبكة العصبية البيانية، تتدفق المعلومات عبر الرسم كما تتدفق القوى عبر المنشأ.

لكل طبقة $l$ من الشبكة العصبية البيانية، تُحدَّث حالة عقدة $\mathbf{h}_v^{(l)}$ بـ تجميع «رسائل» من جيرانها $\mathcal{N}(v)$:

$$\mathbf{h}_v^{(l+1)} = \phi^{(l)} \left( \mathbf{h}_v^{(l)}, \bigoplus_{u \in \mathcal{N}(v)} \psi^{(l)} \left( \mathbf{h}_u^{(l)}, \mathbf{h}_v^{(l)}, \mathbf{e}_{uv} \right) \right)$$

●​ $\psi^{(l)}$: دالة الرسالة . إنشائياً، تحسب هذه القوة/العزم المنقول من الجار $u$ إلى العقدة $v$.

●​ $\bigoplus$: دالة التجميع (مثل المجموع). تجمع كل القوى المؤثرة على العقدة $v$ من جميع الأعضاء المتصلة.

●​ $\phi^{(l)}$: دالة التحديث . تحسب الحالة الجديدة (مثل الإزاحة أو الإجهاد) للعقدة $v$ استناداً إلى إجمالي القوة الواردة.

بتراص $k$ طبقات من الشبكات العصبية البيانية، تنشر الشبكة المعلومات $k$-قفزات بعيداً. و شبكة عصبية بيانية من 10 طبقات لحمل مطبَّق على السقف (العقدة A) أن يؤثّر رياضياً في حالة الأساس (العقدة Z)، محاكياً توزيع مسار الحمل العالمي للمنشأ الفيزيائي الفعلي. ⁶

هذا ليس تخميناً بصرياً. إنه محاكاة قابلة للتعلّم والتفاضل لمسار الحمل.

3. من BIM إلى الرسم البياني: خط أنابيب بيانات Veriprajna

الانتقال من نموذج BIM ساكن أو مخطط ثنائي الأبعاد إلى رسم حساب ديناميكي هو المميّز التقني الجوهري لـ Veriprajna. فبينما تحاول نماذج اللغة الكبيرة قراءة «صورة» المخطط، يستخرج خط أنابيبنا «منطق» المخطط.

3.1 تعلّم تمثيل الرسوم البيانية لـ BIM

بيانات نمذجة معلومات البناء (BIM)، عادة بصيغة IFC، تحتوي المعلومات اللازمة لكن في صيغة هرمية موجَّهة للكائنات غير مناسبة للتعلّم الآلي المباشر. توظّف Veriprajna سير عمل تعلّم تمثيل الرسوم البيانية لتحويل هذه البيانات. ¹⁰

الخطوة 1: الاستخراج الطوبولوجي نستخدم محوّل IFC-to-BIMGraph يحلّل مخطط IFC. ويحدّد علاقات مثل IfcRelConnectsElements (اتصال مادي) و IfcRelContainedInSpatialStructure (تسلسل مكاني هرمي). وتُربط هذه العلاقات مباشرة بحواف رسمنا البياني. وبخلاف نماذج اللغة الكبيرة التي تكافح لـ«رؤية» ما إذا كان خطان يتلامسان، يعرّف مخطط IFC هذا الاتصال صراحة، ويلتقطه محلّلنا بأمانة 100%.12

الخطوة 2: تضمين العقد متعدد الوسائط للعضو الإنشائي أوصاف دلالية («جائز فولاذي IPE 300») وخصائص هندسية (الشبكة الثلاثية الأبعاد). ندمج هذه الوسائط في متجه سمات العقدة 10:

●​ التضمين الدلالي: نستخدم نماذج تضمين نص كبير (أو أنطولوجيات متخصصة مثل pyRDF2Vec) لتحويل البيانات الوصفية النصية إلى متجهات عالية الأبعاد. وهذا يتيح للنموذج أن يفهم رياضياً أن «IPE 300» و«HEB 300» متشابهان (كلاهما مقاطع فولاذية) لكنهما متمايزان في السعة. ¹³

●​ التضمين الهندسي: نستخدم مرمّزات سحابة نقاط (مثل PointNet) لترميز الهندسة الثلاثية الأبعاد للعنصر في متجه. وهذا يلتقط أشكالاً معقّدة لا يستطيع النص وصفها.

الخطوة 3: اختزال الأبعاد لضمان معالجة كفؤة، نطبّق خوارزميات مثل t-SNE (التضمين العشوائي للجار الموزَّع بـ t) لاختزال متجهات السمات عالية الأبعاد إلى تمثيل مضغوط يحتفظ بالتباين الحرج دون إفراط في الملاءمة.¹³

3.2 التوليد الآلي للنموذج الإنشائي

المخرج النهائي لهذا الخط ليس وصفاً نصياً، بل ملف إدخال للتحليل الإنشائي. وقد بيّن البحث أن الشبكات العصبية البيانية يمكن تدريبها عبر التعلّم الموجَّه لـ ربط كيانات BIM مباشرة بمعاملات العناصر المحدودة (FE). ¹³

●​ التنبؤ: تتنبّأ الشبكة العصبية البيانية بمعاملات الجساءة اللازمة ($EI, EA$) لكل عقدة استناداً إلى تضميناتها.

●​ البناء: يولّد النظام تلقائياً تعريفات العقد والعناصر لـ حالّات مثل OpenSees أو SAP2000 .

تؤتمت هذه العملية إعداد «تنزيل الأحمال». فبدلاً من أن يقيس مهندس يدوياً المساحات الرافدة ويعيد رسم الإطار، تجتاز الشبكة العصبية البيانية لدى Veriprajna الرسم، وتجمّع سمات المساحة لعقد البلاطات، وتنقلها إلى عقد الجائزات، وتُجمّع مصفوفة الحمل. ¹³

4. الشبكات العصبية المستنيرة بالفيزياء (PINNs): محرك الحتمية

أشد نقد للذكاء الاصطناعي في الهندسة هو مشكلة «الصندوق الأسود». كيف نستطيع أن نثق بشبكة عصبية في سلامة البشر؟ تجيب Veriprajna بـ الشبكات العصبية المستنيرة بالفيزياء (PINNs) . نحن لا نطلب من الذكاء الاصطناعي أن يتعلّم الفيزياء من البيانات؛ نحن نعلّم الذكاء الاصطناعي الفيزياء بغرس المعادلات التفاضلية مباشرة في دماغه.

4.1 غرس المعادلات الحاكمة في دالة الخسارة

في شبكة عصبية قياسية، هدف التدريب هو تقليل الخطأ بين التنبؤ وبيانات الحقيقة المرجعية ($\mathcal{L}_{data}$). وفي شبكة PINN، نضيف باقي الفيزياء

($\mathcal{L}_{PDE}$) إلى دالة الخسارة. ¹⁴

انظر معادلة جائز أويلر-برنولي الحاكمة للشرفة:

$$\frac{\partial^2}{\partial x^2} \left( EI \frac{\partial^2 w}{\partial x^2} \right) + q(x) = 0$$

حيث $w$ هو السهام و $q(x)$ هو الحمل. عند تدريب نموذج Veriprajna، تُعرَّف دالة الخسارة بأنها:

$$\mathcal{L}_{total} = \mathcal{L}_{data} + \lambda \cdot \mathcal{L}_{PDE}$$

$$\mathcal{L}_{PDE} = \frac{1}{N} \sum_{i=1}^{N} \left| \frac{\partial^2}{\partial x^2} \left( EI \frac{\partial^2 \hat{w}}{\partial x^2} \right) + q(x_i) \right|^2$$

هنا، $\hat{w}$ هو السهام الذي تتنبّأ به الشبكة. نستخدم التفاضل التلقائي لـ حساب مشتقات التنبؤ بدقة. وإذا تنبّأت الشبكة بشكل سهام ينتهك قوانين الاتزان السكوني، يرتفع حد $\mathcal{L}_{PDE}$ ، فيُجبر الشبكة على تصحيح نفسها. ¹⁴

4.2 دراسة حالة: جسر السباغيتي وما بعده

أُثبتت فعالية هذا المنهج في تجارب حديثة، مثل التنبؤ بسعة الحمل لجسور السباغيتي. ¹⁴ استُخدمت شبكة كولموغوروف-أرنولد المستنيرة بالفيزياء (PIKAN) للتنبؤ بحمل الانهيار. وبإدماج القيود الفيزيائية لهندسة الجسر وحدود المواد، استطاع النموذج التنبؤ بحدود الوزن بدقة حتى مع بيانات شحيحة.

وفي سيناريوهات أعقد، مثل الجسور السككية تحت أحمال ديناميكية، استُخدمت شبكات PINN بنجاح لتحديد خطوط التأثير والتنبؤ بالاستجابات الإنشائية حيث فشلت نماذج التعلّم الآلي التقليدية القائمة على البيانات وحدها في التقارب. ¹⁵ تعمل شبكة PINN منظِّماً، يضمن أن «خيال» الذكاء الاصطناعي لا ينتهك أبداً قوانين نيوتن.

4.3 شبكات DeepONet المستنيرة بالفيزياء والمنظَّمة بيانياً

تستثمر Veriprajna أحدث هذا الحقل: DeepONet المستنير بالفيزياء والمنظَّم بيانياً (GS-PI-DeepONet) . ¹⁷

●​ DeepONet (شبكة المؤثّر العميق): شبكة عصبية مصممة لتعلّم المؤثّرات (تعيينات بين فضاءات دوال لا نهائية الأبعاد) لا الدوال فحسب. ويمكنها تعلّم المؤثّر الذي يعيّن «دالة توزيع الحمل» إلى «دالة السهام.»

●​ منظَّم بيانياً: يطبّق تعلّم المؤثّر هذا على رسوم بيانية غير منظَّمة (شبكات)، مما يتيح له التعامل مع هندسات مبانٍ معقّدة غير منتظمة لا تستطيع شبكات CNN القياسية لمسها.

أظهرت هذه المعمارية تسريعات 7–8 أضعاف مقارنة بطريقة العناصر المحدودة التقليدية (FEM) مع الحفاظ على $R^2$ قيم دقة تصل إلى 0.9999 . ¹⁷ وهذا يعني أن Veriprajna تقدّم سرعة الذكاء الاصطناعي بدقة العناصر المحدودة.

5. تتبّع مسار الحمل الآلي: «العمود الفقري» لـ المنشأ

في مثال «الشرفة»، كثيراً ما يكون الفشل الحرج انقطاعاً في مسار الحمل—يُطبَّق الحمل على الكابولي، لكن لا يوجد امتداد خلفي أو اتصال عزمي لنقله إلى العمود. يرى نموذج اللغة الكبير بكسلات؛ وترى Veriprajna مسار الحمل الرئيسي .

5.1 إيجاد المسار المصفوفي للصمود

توظّف Veriprajna خوارزميات نظرية الرسوم البيانية الصارمة لتتبع مسارات الحمل. ويُمثَّل المنشأ ممثَّلاً كـ مصفوفة تجاور $A$.

●​ تحليل الاتصال: برفع مصفوفة التجاور إلى قوى ($A^n$)، يمكننا تحديد جميع مسارات الطول $n$ بين نقطة تطبيق الحمل والأساس. ¹⁸

●​ العدّ الشامل للمسارات: نستخدم موجِد مسارات شاملاً قائماً على المصفوفة يحدّد جميع المسارات الممكنة لنقل الحمل. وهذا يتيح لنا قياس الفائض في المنشأ كمياً. فإذا وُجد مسار واحد فقط (نظام محدد سكونياً)، يكون للمنشأ فائض صفري وخطر مرتفع. ¹⁹

5.2 مؤشر U: تصوّر نقل الحمل*

لتزويد المهندسين برؤى حدسية، نحسب الـ U Index *، وهو مقياس يعبّر عن نقل طاقة الانفعال الداخلية والصلابة النسبية بين النقاط. ²⁰

●​ مسار الحمل الرئيسي (PLP): يُعرَّف بأنه «خط القمة» لخطوط تساوي U*—أكثر المسارات جساءة عبر المنشأ.

●​ تصوّر خطوط الجريان: باستخدام خوارزمية رونغه-كوتا (RK4)، يمكننا مكاملة تدرج مؤشر U* لرسم «خطوط جريان» للقوة. ²⁰

يولّد هذا تصوّراً يضيء فيه «العمود الفقري» للمبنى. وإذا كانت الشرفة آمنة، سيتصل خط جريان PLP بسلاسة من الدرابزين إلى العمود. وإذا كانت غير آمنة (مثل كابولي «عائم»)، سينتهي خط الجريان فجأة أو يُظهر تباعداً هائلاً في طاقة الانفعال. هذا تشخيص بصري مشتق من الرياضيات، لا هلوسة بصرية مشتقة من صور التدريب.

5.3 انتشار الفشل ومجموعات القطع

تتيح لنا مناهج نظرية الرسوم الحالية أيضاً نمذجة الانهيار المتتابع. وبإزالة العقد منهجياً (محاكاة فشل عمود) وإعادة تقييم اتصال الرسم (باستخدام مقاييس مثل مركزية البينية أو الكفاءة)، يمكننا تحديد مجموعات القطع—عناقيد حرجة من المكوّنات يؤدي فشلها إلى انقسام الرسم إلى مكوّنات غير متصلة.21 محاكاة «هجوم الرسم» هذه فورية حسابياً مقارنة بإعادة تشغيل تحليل انهيار غير خطي بالعناصر المحدودة، مما يتيح لـ Veriprajna فحص آلاف سيناريوهات الفشل في الزمن الحقيقي.21

6. التطبيق المؤسسي: طبقة «المُتحقِّق»

للعميل المؤسسي—المكتب الهندسي الكبير، والمنظّم الحكومي، ومطوّر العقار—تقدّم Veriprajna نموذجاً محدداً للنشر. نحن لا نهدف إلى استبدال المهندس؛ بل نهدف إلى استبدال عدم اليقين في تبنّي الذكاء الاصطناعي.

6.1 سير عمل «الإنسان في الحلقة»

مستقبل التصميم يتضمّن الذكاء الاصطناعي التوليدي، لكنه يتطلّب طبقة متحقِّق .

1.​ الطبقة التوليدية (الاحتمال): يستخدم المعماريون أدوات مثل Midjourney أو نماذج اللغة الكبيرة متعددة الوسائط لـ توليد مفاهيم إبداعية («أرني شرفة كابولية بدرابزين بارامتري»). هذا مجال الاحتمال.

2.​ طبقة Veriprajna (الحتمية):

○​ يُحلَّل المفهوم إلى رسم BIM بياني .

○​ فحص الطوبولوجيا: هل الرسم متصل؟ (خوارزميات DFS/BFS).

○​ فحص مسار الحمل: هل يصل مسار الحمل الرئيسي إلى الأساس؟ (مؤشر U*).

○​ فحص الفيزياء: هل تُرضي الإجهادات التي تتنبّأ بها PINN $\sigma < f_y$؟ (خسارة PDE).

3.​ التغذية الراجعة: إذا فشل فحص الفيزياء، تُعيد Veriprajna قيداً صلباً إلى النموذج التوليدي («زِد عمق الجائز بمقدار 200mm» أو «أضف اتصال امتداد خلفي»)، مُجبرة إعادة توليد صحيحة فيزيائياً. ⁵

6.2 كفاءة البيانات والأمن

ميزة كبرى لمنهج GNN/PINN هي كفاءة البيانات . تتطلّب نماذج اللغة الكبيرة بيتابايتات من بيانات التدريب (الإنترنت كله) لتتعلّم «إحساساً» بما يبدو عليه المبنى. أما شبكات PINN، ولأنها مقيَّدة بمعادلات الفيزياء، فيمكن تدريبها على بيانات صغيرة . ¹⁴

●​ التعميم: تتعمّم شبكة عصبية بيانية دُرِّبت على مجموعة إطارات فولاذية جيداً إلى إطارات فولاذية جديدة لأن الفيزياء الأساسية (قانون هوك) لا تتغيّر.

●​ الخصوصية: ولأن النماذج أصغر وأكثر تخصصاً، يمكن نشرها محلياً في الموقع . لا يحتاج العملاء إلى إرسال ملكية فكرية حسّاسة (مخططات محطات نووية أو مراكز بيانات) إلى واجهة برمجة عامة مثل OpenAI. «محرك الفيزياء» يعيش على خادمك.

6.3 القابلية للتفسير: «الصندوق الزجاجي»

لأن الشبكات العصبية البيانية تعمل على عقد تناظر 1:1 أجساماً مادية، فهي قابلة للتفسير بطبيعتها.

●​ أوزان الانتباه: يمكننا تصوّر أوزان انتباه الشبكة العصبية البيانية لنرى بالضبط أي الجيران أثّر في تنبؤ فشل عقدة.

●​ التتبّع: "فشل العمود لأن الحمل المنقول من الجائز A والجائز B تجاوز السعة." ​

هذا هو الصندوق الزجاجي للذكاء الاصطناعي، في تباين حاد مع «الصندوق الأسود» لنماذج اللغة الكبيرة حيث الاستدلال مخفي في مليارات من المعاملات غير القابلة للتفسير.23

7. تحليل مقارن: ميزة Veriprajna

القدرة	نموذج لغة كبير متعدد الوسائط قياسي	Veriprajna (GDL/PINN)
العملية الجوهرية	التنبؤ بالرمز التالي	تمرير الرسائل (نقل القوة)
نافذة السياق	رموز محدودة (نسيانية)	اتصال بياني لانهائي
ضمان السلامة	«يبدو آمناً» (هلوسة)	«باقي الفيزياء يقارب 0» (متحقَّق)
تتبع مسار الحمل	تقدير بصري (تخمين)	اجتياز الرسم (خوارزمية)
معالجة القيود	ليّنة (تُتجاهل غالباً)	صلبة (معادلات تفاضلية جزئية في دالة الخسارة)
القابلية للتفسير	صندوق أسود	صندوق زجاجي (انتباه على مستوى العقدة)
بيانات التدريب	الإنترنت (منحازة/مشوَّشة)	معادلات فيزياء + بيانات منظَّمة

8. الخاتمة: أساس الرياضيات

صناعة الإنشاء فريدة. في البرمجيات، «العلة» إزعاج. أما في صناعتنا، فإن «العلة» مأساة. وقد حجبت دورة الضجيج المحيطة بالذكاء الاصطناعي التوليدي هذا التمييز الجوهري، واعدة بمستقبل «يتخيّل» فيه الذكاء الاصطناعي مدننا.

ترفض Veriprajna المقدمة القائلة إن الهندسة ينبغي أن تكون تخيّلية في تحقّقها. نحن نؤكد أن التحقّق الهندسي يجب أن يكون حتمياً . وتُحل «مفارقة الشرفة» لا بتدريب متعرّف صور أفضل، بل بالتخلي عن الصورة كلياً لصالح الرسم البياني.

●​ يقول ChatGPT إن الشرفة آمنة لأنه رأى آلاف صور الشرفات، وفي تلك الصور تبقى بكسلات الأرضية عادة فوق بكسلات الأرض.

●​ تقول الفيزياء إن الشرفة ستنهار لأن عزم الانحناء عند الطرف الوثيق يتجاوز سعة العزم للمقطع ($\sum M > M_{cap}$).

Veriprajna هي المنصة التي تتيح لك الاستماع إلى الفيزياء. نبني على أساس نظرية الرسوم، والتعلّم العميق الهندسي، والمعادلات التفاضلية. نحن لا نخمّن البكسلات. نحن نحسب الأحمال.

هل تبنون على أساس من الرياضيات، أم من الاحتمال؟

بيانات البحث والاستشهادات

●​ قيود نماذج اللغة الكبيرة: ³ (إخفاقات الاستدلال الإنشائي في DSR-Bench) ⁴ (فشل التحقّق من متطلبات DesignQA) ¹ (ارتباطات رقع ViT مقابل الطوبولوجيا) ⁵ (معايير الذكاء الاصطناعي التوليدي لدى Autodesk ) ² (معمارية ViT).

●​ أساسيات التعلّم العميق الهندسي: ⁶ (تعريف GDL) ⁹ (ترميز GNN والرياضيات) ⁷ (إقليدي مقابل غير إقليدي) ²⁵ (تعميم GNN) ⁸ (Altair PhysicsAI وGDL).

●​ خط أنابيب البيانات: ¹⁰ (تمثيل رسم BIM البياني) ¹³ (التضمينات الدلالية والشبكات العصبية الاصطناعية) ¹² (IFC-to-BIMGraph) ²⁶ (GraphRAG والأنطولوجيات).

●​ الشبكات العصبية المستنيرة بالفيزياء: ¹⁴ (شبكات PINN لوزن الجسور/PIKAN) ¹⁵ (مراجعة PINN وجسور السكك) ¹⁷ (DeepONet المنظَّم بيانياً) ¹⁶ (PINN للإطارات).

●​ مسار الحمل والصمود: ¹⁹ (إيجاد المسار المصفوفي) ²¹ (نظرية الرسوم لإخفاقات الأنابيب) ¹⁸ (قوى مصفوفة التجاور) ²⁰ (مؤشر U* ومسارات الحمل) ²⁰ (مسار الحمل الرئيسي والتصوّر).

●​ السياق العام: ²⁷ (تحديات الرسوم التوليدية) ²⁸ (أخلاقيات الذكاء الاصطناعي والتحيّز) ²² (نماذج توليدية مقابل غير توليدية).

المصادر المذكورة

1. Vision Transformers provably learn spatial structure, تم الوصول إليه في 12 ديسمبر 2025, https://proceedings.neurips.cc/paper_files/paper/2022/file/f69707de866eb0805683d3521756b73f-Paper-Conference.pdf

2. Vision Transformers (ViT) Tutorial: Architecture and Code Examples - DataCamp, تم الوصول إليه في 12 ديسمبر 2025, https://www.datacamp.com/tutorial/vision-transformers

3. Can LLMs Reason Structurally? An Evaluation via the Lens of Data ..., تم الوصول إليه في 12 ديسمبر 2025, https://arxiv.org/pdf/2505.24069

4. DesignQA: A Multimodal Benchmark for Evaluating Large Language Models' Understanding of Engineering Documentation - arXiv, تم الوصول إليه في 12 ديسمبر 2025, https://arxiv.org/html/2404.07917v1

5. Safer by Design: Benchmarks for Generative AI - Autodesk Research, تم الوصول إليه في 12 ديسمبر 2025, https://www.research.autodesk.com/blog/safer-by-design-benchmarks-for-generative-ai/

6. Geometric Deep Learning — AI Search Algorithms for Smart Mobility, تم الوصول إليه في 12 ديسمبر 2025, https://smartmobilityalgorithms.github.io/book/content/LearnToSearch/GeometricDeepLearning.html

7. A gentle introduction to Geometric Deep Learning - dataroots, تم الوصول إليه في 12 ديسمبر 2025, https://dataroots.io/blog/a-gentle-introduction-to-geometric

8. Geometric Deep Learning, Altair® physicsAI™, and the Next Era of AI-Powered Engineering, تم الوصول إليه في 12 ديسمبر 2025, https://altair.com/blog/executive-insights/geometric-deep-learning-ai-engineering-altair-physicsai

9. AIDA-01-Intro to geometric deep learning, تم الوصول إليه في 12 ديسمبر 2025, https://www.i-aida.org/wp-content/uploads/2022/07/AIDA-Geometric-deep-learning-part-01.pdf

10. graph representation learning: embedding multimodality bim models into graphs - European Council on Computing in Construction, تم الوصول إليه في 12 ديسمبر 2025, https://ec-3.org/publications/conferences/EC32025/papers/EC32025_286.pdf

11. Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics - arXiv, تم الوصول إليه في 12 ديسمبر 2025, https://arxiv.org/html/2510.25683v1

12. graph representation learning: embedding ... - mediaTUM, تم الوصول إليه في 12 ديسمبر 2025, https://mediatum.ub.tum.de/doc/1780983/hag373op3y69o9fnb4r9h3ecu.GRL_EC3_camera_ready.pdf

13. Automatic generation of Structural models from BIM models using ..., تم الوصول إليه في 12 ديسمبر 2025, https://www.ucl.ac.uk/bartlett/sites/bartlett/files/automatic_generation_of_structural_models_from_bim_models_using_semantics_and_machine_learning.pdf

14. Seeing Structural Failure Before it Happens: An Image-Based Physics-Informed Neural Network (PINN) for Spaghetti Bridge Load Prediction - arXiv, تم الوصول إليه في 12 ديسمبر 2025, https://arxiv.org/html/2510.23117

15. Physics-Informed Neural Networks for the Structural Analysis and Monitoring of Railway Bridges: A Systematic Review - ResearchGate, تم الوصول إليه في 12 ديسمبر 2025, https://www.researchgate.net/publication/391684879_Physics-Informed_Neural_Networks_for_the_Structural_Analysis_and_Monitoring_of_Railway_Bridges_A_Systematic_Review

16. Exploring the Potential of Physics-Informed Neural Networks for the Structural t b Analysis of 2D Frame Structures - MDPI, تم الوصول إليه في 12 ديسمبر 2025, https://www.mdpi.com/2673-3161/6/4/84

17. A Graph-Structured, Physics-Informed DeepONet Neural Network for ..., t b تم الوصول إليه في 12 ديسمبر 2025, https://www.mdpi.com/2504-4990/7/4/137

18. Model structure analysis through graph theory: partition heuristics and feedback structure decomposition, تم الوصول إليه في 12 ديسمبر 2025, https://www.hbs.edu/ris/Publication%20Files/04-016_1ef8720a-a749-4a7b-9db7-1527c9c9efc9.pdf

19. Graph-Theoretic Pathfinding for Infrastructure Robustness and ..., تم الوصول إليه في 12 ديسمبر 2025, https://www.jsofcivil.com/article_233020_bc0a15e4051015c95980e439af441832.tpdf

20. load path visualization using u* index and - CORE, تم الوصول إليه في 12 ديسمبر 2025, https://core.ac.uk/download/pdf/524099241.pdf

21. Modeling multiple-pipe failures in stormwater networks using graph theory - IWA Publishing, تم الوصول إليه في 12 ديسمبر 2025, https://iwaponline.com/jh/article/26/11/3027/105373/Modeling-multiple-pipe-failures-in-stormwater

22. Generative vs. Non-Generative Models in Engineering Shape Optimization t b MDPI, تم الوصول إليه في 12 ديسمبر 2025, https://www.mdpi.com/2077-1312/12/4/566

23. Using graph neural networks and frequency domain data for automated t b operational modal analysis of populations of structures | Data-Centric Engineering - Cambridge University Press & Assessment, تم الوصول إليه في 12 ديسمبر 2025, https://www.cambridge.org/core/journals/data-centric-engineering/article/using-graph-neural-networks-and-frequency-domain-data-for-automated-operational-modal-analysis-of-populations-of-structures/5834E459A2DBFE3F881EE88645BF0EA3

24. Auto-GNN: Neural architecture search of graph neural networks - PMC - PubMed t b Central, تم الوصول إليه في 12 ديسمبر 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9714572/

25. Introduction to Geometric Deep Learning | ml-articles – Weights & Biases t b Wandb, تم الوصول إليه في 12 ديسمبر 2025, https://wandb.ai/mostafaibrahim17/ml-articles/reports/Introduction-to-Geometric-Deep-Learning--VmlldzozODY5NTE1

26. BIMConverse - GraphRAG for IFC Natural Language Queries - IAAC BLOG, t b تم الوصول إليه في 12 ديسمبر 2025, https://blog.iaac.net/bimconverse-graphrag-for-ifc-natural-language-queries/

27. Large Language Model Agent for Structural Drawing Generation Using ReAct t b Prompt Engineering and Retrieval Augmented Generation - arXiv, تم الوصول إليه في 12 ديسمبر 2025, https://arxiv.org/html/2507.19771v1

28. Responsible AI in structural engineering: a framework for ethical use - Frontiers, t b تم الوصول إليه في 12 ديسمبر 2025, https://www.frontiersin.org/journals/built-environment/articles/10.3389/fbuil.2025.1612575/full