لماذا تخمّن النماذج اللغوية الكبيرة البكسل بينما تحسب الرسوم البيانية المعتمدة على الفيزياء الأحمال
تواجه صناعة العمارة والهندسة والبناء (AEC) خيارًا حاسمًا: ذكاءٌ اصطناعيٌّ احتمالي قائم على البكسل يهلوس بشأن السلامة، أو ذكاءٌ اصطناعيٌّ حتمي قائم على البنية يحسب الأحمال باستخدام الفيزياء. الشرفة لا تقف لأن نموذجًا لغويًا كبيرًا يقول إنها «متينة»، وإنما لا تقف إلا إذا كان مسار الحمل يحقق المعادلات التفاضلية للتوازن.
يحوّل إطار التعلم العميق الهندسي من Veriprajna المخططات إلى رسوم بيانية رياضية تكون العقد فيها هي الأعضاء الإنشائية والحواف هي مسارات الحمل. وبتضمين معادلات الفيزياء مباشرة في دوال الخسارة للشبكات العصبية، ننتقل من التخمين الاحتمالي إلى الحساب الحتمي.
الفشل الجذري لتطبيق النماذج اللغوية الكبيرة على السلامة الإنشائية
"تبدو بنية الشرفة سليمة. الدرابزين موجود وسطح الأرضية يبدو متينًا. يتبع التصميم الأنماط المعمارية القياسية الظاهرة في آلاف صور الشرفات."
تم اكتشاف فشل حرج
انقطاع في مسار الحمل عند اتصال الكابولي
"«الشرفة لا تقف لأن وصفًا نصيًا يقول إنها 'متينة'، ولا تقاوم الجاذبية لأن تحليلًا قائمًا على البكسل يرصد الوجود المرئي لدرابزين. إنها لا تقف إلا إذا كان مسار الحمل متصلًا، وظل توزيع الإجهادات ضمن حد المرونة للمواد، وكانت طوبولوجيا المنشأ مستوفية للمعادلات التفاضلية الحاكمة للتوازن."
— الورقة البيضاء التقنية من Veriprajna، الملخص التنفيذي
نمط الفشل الجوهري: فهي محركات احتمالية مصممة للتنبؤ بالرموز، لا محركات منطقية مصممة لحل القيود الفيزيائية.
تقسّم شبكات Vision Transformer الصور إلى رقع بكسل بحجم 16×16. وتتعلم «ارتباطات الرقع»، أي ارتباطات إحصائية بين عناقيد من البكسلات، لا طوبولوجيا مكانية حقيقية.
عندما تُخلط البكسلات عشوائيًا، تحتفظ شبكات ViT بدقة عالية، وهذا يثبت أنها لا تعتمد على البنية المكانية. وفي الهندسة، البنية المكانية هي كل شيء.
اختُبر 10 نماذج لغوية كبيرة في أحدث ما وصلت إليه التقنية على 4,140 مسألة استدلال إنشائي. أعلى درجة: 0.498/1.0— دقة تضاهي رمي العملة.
يتدهور الأداء عندما تُوصف المسائل بلغة طبيعية مقابل شيفرة رسمية؛ فالنماذج اللغوية الكبيرة تعتمد على أنماط محفوظة من GitHub لا على الاستدلال.
استطاعت النماذج متعددة الوسائط تلخيص أكواد البناء بطلاقة، لكنها أخفقت في تطبيق القيود الكمية على مخططات التصميم.
التحيز للمواد الغريبة: تقترح النماذج اللغوية الكبيرة التيتانيوم/ألياف الكربون حتى عندما يتطلب السياق حلولًا اقتصادية، فتُحسِّن «الرنين التقني اللامع» بدل الصواب الملائم للسياق.
| الخاصية | Vision Transformer (نموذج لغوي كبير) | الواقع الهندسي |
|---|---|---|
| وحدة الإدخال | رقعة بكسل (شبكة 16×16) | عنصر إنشائي (عارضة، عمود) |
| العلاقة | ارتباط إحصائي (انتباه) | سببية فيزيائية (انتقال الحمل) |
| الفهم المكاني | تضمين موضعي (متعلَّم) | اتصال طوبولوجي (مطلق) |
| نمط الفشل | هلوسة (تبدو آمنة) | انهيار (غير آمنة فعلًا) |
| مجال البيانات | إقليدي (شبكي) | غير إقليدي (رسومي) |
ترى النماذج اللغوية الكبيرة المخططات على أنها شبكات بكسل. فإذا ظهرت عارضة سوداء على خلفية سوداء فلن تراها حرفيًا. والأسوأ من ذلك: قد «ترى» اتصالات غير موجودة لأن البكسلات المتجاورة تنشّط أوزان الانتباه.
نحلّل مخطط IFC/BIM مباشرة. تمثل العقد الأعضاء الإنشائية بخصائصها المادية (E, I, f_y). وتمثل الحواف علاقات انتقال الحمل المحددة في المخطط نفسه، لا المستنتجة من البكسل.
لتجاوز التخمين القائم على البكسل، تبني Veriprajna على التعلم العميق الهندسي، وهو تعميم للشبكات العصبية على المجالات غير الإقليدية (الرسوم البيانية والطيات).
تعمل الشبكات الالتفافية القياسية على شبكات إقليدية يكون لكل بكسل فيها 8 جيران بالضبط. أما المنشآت فهي بطبيعتها غير إقليدية:
في Veriprajna، يُصاغ المبنى رياضيًا على هيئة G = (V, E):
وخلافًا للبكسلات (قيم RGB)، تحتوي العقد على معاملات فيزيائية فعلية: معامل يونغ، وعزم القصور الذاتي، ومقاومة الخضوع — وهي القيم اللازمة للحساب.
تحسب القوة/العزم المنقولين من الجار u إلى العقدة v بناءً على خصائص الحافة (صلابة الاتصال، الاتجاه).
تجمع جميع القوى المؤثرة على العقدة v من جميع الأعضاء المتصلين بها، محاكيةً معادلات التوازن ∑F.
تحسب الحالة الجديدة (الإزاحة، الإجهاد) للعقدة v بناءً على القوة الواردة الكلية، بتطبيق قانون هوك.
بتكديس k طبقة، تنشر شبكة GNN المكدسة من 10 طبقات المعلومات حتى مسافة 10 قفزات: حمل على السقف يؤثر رياضيًا في الأساس —وهي محاكاة قابلة للتعلّم وقابلة للاشتقاق لمسار الحمل.
يحلّل محوّل IFC-to-BIMGraph مخطط IFC. يحدد IfcRelConnectsElements (الاتصالات الفيزيائية) ويحوّلها إلى حواف بـ أمانة 100%— بلا تخمين.
يدمج الدلالي («IPE 300 Steel») والهندسي (شبكة ثلاثية الأبعاد عبر PointNet) في متجهات العقد. يدرك النموذج أن IPE 300 ≈ HEB 300 لكنهما مختلفان في السعة.
تتنبأ شبكة GNN بمعاملات الصلابة (EI, EA) وتولّد تلقائيًا ملفات إدخال للتحليل بالعناصر المحدودة لبرمجتي OpenSees/SAP2000، مؤتمتةً إعداد تفريع الأحمال.
لا نطلب من الذكاء الاصطناعي أن يتعلم الفيزياء من البيانات، بل نعلّمه الفيزياء بتضمين المعادلات التفاضلية مباشرة في دالة الخسارة.
لنأخذ في الاعتبار معادلة عارضة أويلر-بيرنولي التي تحكم انحراف الشرفة:
تصبح دالة الخسارة الكلية:
باستخدام الاشتقاق التلقائي، نحسب مشتقات تنبؤ الشبكة على نحو تام. فإذا خالف الانحراف المتوقع التوازن، ارتفعت L_PDE ارتفاعًا حادًا بما يفرض التصحيح.
تنبأت شبكة Kolmogorov Arnold المعتمدة على الفيزياء (PIKAN) بأحمال الفشل من بيانات قليلة من خلال دمج قيود الهندسة وحدود المواد.
حدّدت شبكات PINN خطوط التأثير تحت الأحمال الديناميكية حيث أخفق تعلم الآلي المعتمد على البيانات وحده في التقارب. تعمل الفيزياء بوصفها منظِّمًا— فلا يتجاوز خيال الذكاء الاصطناعي قوانين نيوتن أبدًا.
تستفيد Veriprajna من شبكات المؤثرات العميقة المعتمدة على الفيزياء ذات البنية الرسومية، متعلّمةً المؤثرات (التطبيقات بين فضاءات دوال لا نهائية الأبعاد) على رسوم بيانية غير مهيكلة.
يرى النموذج اللغوي الكبير بكسلات. أما Veriprajna فترى مسار الحمل الرئيسي، متتبَّعًا بدقة صارمة باستخدام خوارزميات نظرية الرسوم البيانية.
يُمثَّل المنشأ بمصفوفة المجاورة A. وبرفع A إلى قوى (A^n) نحدد جميع المسارات ذات الطول n بين الحمل والأساس.
احسب مؤشر U*، وهو مقياس لنقل طاقة التشوه الداخلية. ويُعرَّف مسار الحمل الرئيسي بأنه «خط القمة» لخطوط كنتور U* (أكثر المسارات صلابة).
أزل العقد إزالة منهجية (محاكاةً لفشل عمود) وأعد تقييم اتصال الرسم البياني باستخدام المركزية الوسيطية (Betweenness Centrality). وحدد مجموعات القطع فورًا.
لا تحل Veriprajna محل المهندسين، بل نستبدل عدم اليقين المصاحب لتبنّي الذكاء الاصطناعي بطبقة تحقق حتمية.
يستخدم المعماريون Midjourney/MLLMs لتوليد مفاهيم إبداعية: «أرني شرفة كابولية بدرابزين بارامتري»
إذا أخفق الفحص الفيزيائي، يُعاد قيد صارم: «زد عمق العارضة بمقدار 200mm» أو «أضف اتصال الامتداد الخلفي»، مع فرض إعادة التوليد
تُدرَّب شبكات PINN على بيانات صغيرة لأن قيود الفيزياء تقلّص فضاء البحث. أما النماذج اللغوية الكبيرة فتحتاج إلى بيتابايتات لتتعلم «الإحساس العام».
تقابل شبكات GNN الكائنات المادية تطابقًا واحدًا لواحد. ويمكننا تصوّر أوزان الانتباه وتتبع سبب كل تنبؤ على وجه الدقة.
قارن ذلك بـ«الصندوق الأسود» لدى النماذج اللغوية الكبيرة حيث يختفي الاستدلال بين مليارات المعاملات غير القابلة للتفسير.
| القدرة | نموذج لغوي كبير متعدد الوسائط قياسي | Veriprajna (GDL/PINN) |
|---|---|---|
| العملية الأساسية | التنبؤ بالرمز التالي | تمرير الرسائل (انتقال القوة) |
| نافذة السياق | رموز محدودة (سريعة النسيان) | اتصال رسومي لا نهائي |
| ضمان السلامة | «تبدو آمنة» (هلوسة) | «بواقي الفيزياء ≈ 0» (مُتحقَّق منه) |
| توجيه مسار الحمل | تقدير بصري (تخمين) | اجتياز الرسم البياني (خوارزمية) |
| معالجة القيود | مرنة (كثيرًا ما تُتجاهَل) | صارمة (معادلات تفاضلية جزئية في دالة الخسارة) |
| القابلية للتفسير | صندوق أسود | صندوق زجاجي (انتباه على مستوى العقدة) |
| بيانات التدريب | الإنترنت (منحازة/مشوشة) | معادلات فيزيائية + بيانات مهيكلة |
| الدقة (الاستدلال الإنشائي) | 49.8% (DSR-Bench) | R² = 0.9999 |
| النشر | واجهة API سحابية (خطر على الخصوصية) | داخل المنشأة (آمن) |
صناعة البناء صناعة فريدة. في البرمجيات، «الخلل» أمر مزعج. أما في صناعتنا، ف«الخلل» مأساة. وقد حجب الضجيج المحيط بالذكاء الاصطناعي التوليدي هذا التمييز الجوهري.
«الشرفة آمنة لأنه رأى آلاف الصور للشرفات، وفي تلك الصور تبقى بكسلات الأرضية عادةً فوق بكسلات الأرض.»
«ستنهار الشرفة لأن عزم الانحناء عند الطرف المثبت يتجاوز عزم مقاومة المقطع: ∑M > M_cap"
Veriprajna هي المنصة التي تمكّنك من الاستماع إلى الفيزياء.
نبني على أساس نظرية الرسوم البيانية، التعلم العميق الهندسي، و المعادلات التفاضلية. نحن لا نخمّن البكسل، بل نحسب الأحمال.
تقسّم شبكات Vision Transformer المخططات إلى رقع بكسل بحجم 16x16 وتتعلم ارتباطات إحصائية، لا سببية فيزيائية. وقد أظهر اختبار DSR-Bench لعشرة نماذج لغوية كبيرة متطورة على 4,140 مسألة استدلال إنشائي أن أعلى درجة بلغت 0.498 من 1.0 فقط، وهي دقة تضاهي رمي العملة. فهي عاجزة عن الاستدلال متعدد القفزات وإشباع القيود وكشف انقطاعات مسار الحمل المسببة للفشل الإنشائي.
تضمّن شبكات PINN المعادلات التفاضلية الحاكمة مثل معادلة عارضة أويلر-بيرنولي مباشرة في دالة الخسارة. وباستخدام الاشتقاق التلقائي، يُتحقق من الانحراف المتنبأ به من الشبكة مقابل معادلات التوازن. وإذا خالف التنبؤ الفيزياء، ارتفع حدّ خسارة المعادلات التفاضلية الجزئية ارتفاعًا حادًا ما يفرض التصحيح، محققًا دقة R-squared تبلغ 0.9999 بسرعة تفوق 7-8x حلّالات FEM التقليدية.
يحلّل خط أنابيب IFC-to-BIMGraph من Veriprajna مخطط IFC مباشرة، مستخرجًا علاقات IfcRelConnectsElements لإنشاء حواف الرسم البياني بأمانة اتصال تبلغ 100%. وتمثل العقد الأعضاء الإنشائية بخصائصها المادية مثل معامل يونغ وعزم القصور الذاتي ومقاومة الخضوع. كما تدمج التضمينات متعددة الوسائط البيانات الدلالية والهندسية في متجهات العقد لمعالجتها عبر GNN.
تقدم Veriprajna نشرًا مؤسسيًا، وتدريبًا مخصصًا للنماذج على بيانات BIM لديك، وتكاملًا مع خطوط CAD/BIM القائمة.
التقرير التقني الكامل مع 28 استشهادًا محكمًا: بنية العتاد، شبكات تمرير الرسائل العصبية، رياضيات PINN، معايير أداء DeepONet الرسومي، مواصفات خط IFC-to-BIMGraph.
