Die deterministische Kluft: Warum LLMs Pixel raten, während physikinformierte Graphen Lasten berechnen

Kurzfassung: Das Balkon-Paradoxon

Die Architektur-, Ingenieur- und Baubranche (AEC) steht derzeit am Abgrund einer technologischen Spaltung, die das Sicherheitsprofil unserer gebauten Umwelt für das nächste Jahrhundert prägen wird. Auf der einen Seite liegt das verführerische Versprechen generativer KI—Large Language Models (LLMs) und multimodaler Large Language Models (MLLMs), die scheinbar Baupläne „lesen“, Entwurfskonzepte erzeugen und über Bau- vorschriften mit menschenähnlicher Geläufigkeit sprechen können. Auf der anderen Seite liegt die strenge, unveränderliche Realität der Physik. Ein Balkon steht nicht, weil eine Textbeschreibung ihn als „robust“ bezeichnet, und er widersteht der Schwerkraft auch nicht, weil eine pixelbasierte Analyse die visuelle Präsenz eines Geländers erkennt. Er steht nur, wenn der Lastpfad durchgängig ist, die Spannungsverteilung innerhalb der elastischen Grenze der Materialien bleibt und die Topologie der Struktur die maßgebenden Differential- gleichungen des Gleichgewichts erfüllt.

Dieses Whitepaper, erstellt für Veriprajna, untersucht die fundamentale Divergenz zwischen pixelbasierter probabilistischer KI (der aktuellen Welle generativer KI) und strukturbasierter deterministischer KI (Veriprajnas Ansatz mit Geometric Deep Learning). Wir untersuchen die grundlegende Schwäche, euklidische neuronale Architekturen—etwa Vision Transformer—auf die nichteuklidische Realität des konstruktiven Ingenieurbaus anzuwenden. Wir zeigen anhand einer rigorosen Analyse aktueller Benchmarks, warum multimodale LLMs trotz ihrer sprachlichen Gewandtheit zu gefährlichen Halluzinationen neigen, wenn sie mit strukturellem Reasoning beauftragt werden. Sie betrachten einen Bauplan als eine Sammlung von Pixeln, die vorhergesagt werden sollen; sie berechnen nicht die Lasten, die diese Pixel repräsentieren.

Im Gegensatz dazu stellen wir ein umfassendes Framework für Geometric Deep Learning (GDL) und Physics-Informed Neural Networks (PINNs) vor. Dieser Ansatz wandelt Ingenieur- schemata nicht in Tokens um, sondern in mathematische Graphen, in denen Knoten als tragende Bauteile und Kanten als Lastpfade fungieren. Indem wir die Gesetze der Physik direkt in die Verlustfunktionen des neuronalen Netzes einbetten, gehen wir vom probabilistischen Raten „Ist das sicher?“ zur deterministischen Berechnung „Wird das halten?“ über.

Die Branche steht vor einer entscheidenden Frage, die Veriprajna mit mathematischer Gewissheit beantwortet: Bauen Sie auf einem Fundament aus Mathematik oder aus Wahrscheinlichkeit?

1. Die Halluzination der Sicherheit: Warum multimodale LLMs beim strukturellen Reasoning scheitern

Die rasche Verbreitung von Large Language Models hat zu einer gefährlichen Gleichsetzung von Plausibilität mit Genauigkeit geführt. Im Bereich des Kreativschreibens oder von Marketingtexten ist eine plausible Antwort oft ausreichend. Im konstruktiven Ingenieurbau ist eine plausible, aber falsche Antwort katastrophal. Der zentrale Fehlermodus beim Einsatz von LLMs für die Tragwerksanalyse liegt in ihrer Architektur: Sie sind probabilistische Engines, die das nächste Token oder Pixel vorhersagen sollen, nicht Logik-Engines, die physikalische Randbedingungen lösen.

1.1 Die pixelbasierte Falle: Vision Transformer und die Illusion des Verstehens

Wenn ein multimodales LLM wie GPT-4V oder Gemini einen Tragwerksplan „sieht“, nimmt es keine Träger, Stützen oder Lastpfade wahr. Es verwendet eine Vision-Transformer-(ViT)-Architektur, um das Bild zu verarbeiten. Der ViT zerlegt das Bild in eine Sequenz fest großer Patches (z. B. $16 \times 16$ Pixel), flacht sie zu Vektoren ab und verarbeitet sie, um einen Trainings- verlust zu minimieren. ¹

Entscheidend ist: Neuere theoretische Forschung zeigt, dass ViTs diesen Verlust minimieren, indem sie „Patch- Assoziationen“ lernen—statistische Korrelationen zwischen Pixelclustern—statt echter räumlicher Topologie. ¹ Das Modell könnte lernen, dass ein Patch mit einer vertikalen Linie (eine Stütze) statistisch wahrscheinlich an einen Patch mit einer horizontalen Linie (ein Träger) grenzt. Das ist jedoch eine Korrelation, kein kausales Verständnis. Das Modell versteht nicht, dass die horizontale Linie von der vertikalen Linie getragen wird. Wird die vertikale Linie entfernt, kann sich die Wahrscheinlichkeitsverteilung des Modells leicht verschieben, aber es besitzt keine interne Physik-Engine, die ihm sagt, dass die horizontale Linie nun fallen muss.

Dieser „Bag-of-Patches“-Ansatz erklärt, warum LLMs mit präzisem räumlichem Reasoning kämpfen. In Experimenten, in denen Bildpixel oder Patches permutiert (verwirbelt) werden, behalten ViTs oft eine hohe Klassifikationsgenauigkeit, was beweist, dass sie nicht auf der strengen räumlichen Struktur des Objekts beruhen, sondern auf der Präsenz von Textur und lokalen Mustern. ¹ Im Ingenieurwesen jedoch ist die räumliche Struktur alles. Ein Anschlussdetail, das „größtenteils da“ ist, dem aber eine kritische Last- pfadkontinuität fehlt, ist nicht zu 90% sicher; es ist zu 100% unsicher. Indem sie Baupläne als Pixel behandeln, verfehlen LLMs fundamental den binären Charakter der strukturellen Stabilität.

Merkmal	Vision Transformer (LLM)	Ingenieurtechnische Realität
Eingabeeinheit	Pixel-Patch ($16 \times 16$ Raster)	Strukturelement (Träger, Stütze)

Beziehung	Statistische Korrelation (Aufmerksamkeit)	Physikalische Kausalität (Last- abtrag)
Räumliches Verständnis	Positions-Embedding (erlernt)	Topologische Konnektivität (absolut)
Fehlermodus	Halluzination (sieht sicher aus)	Einsturz (ist unsicher)
Datenbereich	Euklidisch (rasterartig)	Nichteuklidisch (graphartig)

1.2 Das DSR-Bench-Urteil: Die Reasoning-Lücke quantifizieren

Die Hypothese, dass LLMs mit strukturellem Reasoning kämpfen, ist nicht bloß theoretisch; sie ist empirisch bestätigt. Der DSR-Bench (Data Structure Reasoning Benchmark) hat kürzlich die algorithmischen Reasoning-Fähigkeiten von zehn state-of-the-art LLMs über 35 Operationen und 4,140 synthetisch erzeugte Probleminstanzen bewertet. ³ Die Ergebnisse waren ernüchternd für jeden Befürworter LLM-basierter Ingenieurtechnik.

Der Benchmark war darauf ausgelegt, „strukturelles Reasoning“ zu testen—die Fähigkeit, komplexe Beziehungen zwischen Entitäten zu verstehen und zu manipulieren, ein direkter Proxy für das Verständnis eines Gebäude-Tragwerks.

●​ Leistungsobergrenze: Das leistungsstärkste Frontier-Modell erreichte lediglich einen Score von 0.498 von 1.0 bei anspruchsvollen Instanzen mit hybriden und kompositorischen Strukturen. ³

●​ Fehlermodi: Die Modelle zeigten kritische Schwächen im Multi-Hop-Reasoning (Nachverfolgen einer Beziehung über mehrere Zwischenknoten) und in der Constraint Satisfaction (Einhaltung strenger nutzerdefinierter Regeln).

●​ Räumliche Inkompetenz: Bei räumlichen Datenaufgaben—die die mehrdimensionale Natur realer physikalischer Strukturen nachbilden—fiel die Leistung signifikant, sobald die Dimensionalität stieg. ³

Am alarmierendsten fand die Studie, dass die Modellleistung abnimmt, wenn Probleme in „natürlicher Sprache“ statt in formalem Code beschrieben werden. Das deutet darauf hin, dass LLMs auf Pattern-Matching spezifischer syntaktischer Strukturen (aus Trainingsdaten wie GitHub memoriert) setzen, statt echtes Reasoning zu betreiben. Wenn ein Ingenieur ein einzigartiges, nicht standardisiertes Tragwerksproblem in schlichtem Englisch beschreibt, wird das LLM aus seinen memorierten Mustern gedrängt und in einen Reasoning-Modus gezwungen, in dem es statistisch in 50% der Fälle scheitert. ³

1.3 Die DesignQA-Evidenz: Unfähigkeit, Anforderungen zu verifizieren

Weitere Evidenz stammt von DesignQA, einem Benchmark, der eigens konstruiert wurde, um MLLMs in Kontexten des Ingenieurdesigns zu bewerten. ⁴ Diese Studie konzentrierte sich auf die Fähigkeit von Modellen, technische Anforderungen aus Dokumentation zu extrahieren und auf Entwurfsartefakte anzuwenden.

Die Befunde verstärkten die „Illusion der Kompetenz“. Während MLLMs den Text einer Bauordnung oder Ingenieurnorm flüssig zusammenfassen konnten, scheiterten sie daran, diese quantitativen Randbedingungen korrekt auf das Entwurfsbild anzuwenden.

●​ Extraktion vs. Anwendung: Die Modelle konnten „Wie groß ist die maximal zulässige Durchbiegung?“ (Extraktion) beantworten, scheiterten aber an „Erfüllt dieser konkrete Trägerentwurf die maximal zulässige Durchbiegung?“ (Anwendung). ⁴

●​ Exotik-Bias: Forschung zur Materialauswahl fand, dass LLMs einen starken Bias hin zu „exotischen“ oder Hochleistungswerkstoffen (wie Titan oder Kohlefaser) zeigten, selbst wenn der Kontext kosteneffiziente Lösungen verlangte, einfach weil diese Materialien häufig im „High-Tech“-Trainingskorpus vorkommen. ⁵

Dieser Bias hin zu „optimal klingenden“, aber kontextuell falschen Antworten unterstreicht das Halluzinationsrisiko. Ein LLM, das einen Balkonentwurf prüft, könnte ein hochfestes Legierungs- geländer vorschlagen—sehr professionell klingend—, während es übersieht, dass der Kragplatten- beton oben keine Bewehrung hat, die tatsächliche Ursache des theoretischen Einsturzes.

1.4 Der „stochastische Papagei“ in einer deterministischen Welt

Das grundlegende Problem ist die Diskrepanz der Domänen. Der konstruktive Ingenieurbau ist ein deterministisches Fachgebiet, das den Gesetzen der Physik unterliegt. Wenn $\sum F_y \neq 0$, beschleunigt sich die Struktur. Es ist keine Wahrscheinlichkeit im Spiel. LLMs sind stochastische Engines. Sie erzeugen Text auf Basis der Wahrscheinlichkeitsverteilung des nächsten Tokens.

Wenn wir ein LLM fragen: „Ist dieser Balkon sicher?“, berechnet es kein Flächenträgheitsmoment. Es sagt die Tokens voraus, die in seinen Trainingsdaten typischerweise auf diese Frage folgen. Enthalten seine Trainingsdaten Tausende Sicherheitsinspektionsberichte, die mit „die Struktur erscheint standsicher“ schließen, ist das LLM statistisch verzerrt, eine ähnliche Beruhigung zu erzeugen, unabhängig von der visuellen Evidenz in dem konkreten Pixel-Patch, den es analysiert. Es rät anhand des „Vibes“ der Pixel, nicht anhand der Analysis der Lasten.

2. Geometric Deep Learning: Die mathematische Grundlage von Veriprajna

Um die Grenzen des Pixel-Ratens zu überwinden, baut Veriprajna auf Geometric Deep Learning (GDL) auf. Dieses Feld der künstlichen Intelligenz verallgemeinert neuronale Netze auf nichteuklidische Domänen, insbesondere Graphen und Mannigfaltigkeiten. ⁶ In unserem Framework ist ein Gebäude kein Bild; es ist ein Graph .

2.1 Die nichteuklidische Realität von Tragwerken

Standard-Deep-Learning (CNNS) operiert auf euklidischen Daten . Bilder sind 2-D-Raster; Audio ist ein 1-D-Raster (Zeit). Im euklidischen Raum ist das Konzept von „Richtung“ und „Nachbar“ fest. Ein Pixel bei $(x,y)$ hat stets genau 8 Nachbarn (außer am Rand), und die Verschiebung von $(x,y)$ zu $(x+1, y)$ ist überall einheitlich. ⁷

Tragwerke sind inhärent nichteuklidisch .

●​ Irreguläre Topologie: Ein Stahlknoten in einem Fachwerk kann mit 3 Stäben verbunden sein; ein Knoten in einem komplexen Diagrid kann mit 8 verbunden sein. Es gibt kein festes „Raster.“

●​ Keine feste Orientierung: Ein Träger ist durch seine Konnektivität definiert, nicht durch seine Position in einer Bitmap.

Eine Drehung des Bauplans um 90 Grad ändert jeden Pixelwert und bricht ein Standard-CNN, aber der zugrunde liegende Graph (die Verbindungen zwischen den Bauteilen) bleibt invariant. ⁷

Veriprajna setzt Graph Neural Networks (GNNs) ein, weil sie mathematisch dafür ausgelegt sind, diese Irregularität zu handhaben. Ein GNN zwingt die Struktur nicht in ein Raster; es akzeptiert die Struktur als Menge von Knoten ($V$) und Kanten ($E$) in ihrem nativen topologischen Format. ⁶

2.2 Mathematische Definition des Gebäude-Graphen

Im Veriprajna-System wird ein Tragwerksmodell als Graph formalisiert $G = (V, E)$.

Knoten ($V$): Jeder Knoten repräsentiert ein physikalisches Tragwerkselement (Träger, Stütze, Platte, Wand). Anders als ein Pixel, das nur Farbdaten (RGB) enthält, ist ein Veriprajna-Knoten ein reichhaltiger Daten- container, der einen Merkmalsvektor $\mathbf{x}_v$hält:

$$\mathbf{x}_v =$$

Diese Merkmale erfassen den Elastizitätsmodul ($E$), das Flächenträgheitsmoment ($I$) und die Streck- grenze ($f_y$)—die tatsächlichen physikalischen Parameter, die für die Berechnung erforderlich sind.10 Kanten ($E$): Jede Kante repräsentiert eine physikalische Verbindung oder Interaktion. Eine Kante $e_{ij}$ existiert, wenn Bauteil $i$ Last auf Bauteil $j$überträgt. Der Kanten-Merkmalsvektor $\mathbf{x}_{e_{ij}}$ erfasst die Anschlusssteifigkeit (eingespannt vs. gelenkig) und die relative Orientierung.

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

Diese Repräsentation ist permutationsinvariant . Die Physik des Gebäudes ändert sich nicht, wenn wir die Liste der Träger in der Datenbank umordnen. GNNs respektieren diese Invarianz, während Sequenzmodelle (wie die Transformer in LLMs) empfindlich gegenüber der Eingabereihenfolge sind. ⁷

2.3 Graph-Faltung und Message Passing

Die Engine des Reasonings von Veriprajna ist das Message Passing Neural Network (MPNN) Paradigma. In einem GNN fließt Information durch den Graphen ähnlich, wie Kräfte durch ein Tragwerk fließen.

Für jede Schicht $l$ des GNN wird der Zustand eines Knotens $\mathbf{h}_v^{(l)}$ aktualisiert, indem „Nachrichten“ von seinen Nachbarn aggregiert werden $\mathcal{N}(v)$:

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

●​ $\psi^{(l)}$: Die Message-Funktion . In tragwerksplanerischen Begriffen berechnet sie die Kraft/das Moment, die vom Nachbarn $u$ auf den Knoten $v$übertragen wird.

●​ $\bigoplus$: Die Aggregationsfunktion (z. B. Summe). Sie summiert alle Kräfte, die auf den Knoten $v$ von allen verbundenen Bauteilen wirken.

●​ $\phi^{(l)}$: Die Update-Funktion . Sie berechnet den neuen Zustand (z. B. Verschiebung oder Spannung) des Knotens $v$ auf Basis der gesamten eingehenden Kraft.

Durch das Stapeln von $k$ GNN-Schichten propagiert das Netz Information $k$-Hops weit. Ein 10-Schichten-GNN erlaubt es einer auf dem Dach aufgebrachten Last (Knoten A), den Zustand des Fundaments (Knoten Z) mathematisch zu beeinflussen und so die globale Lastpfadverteilung des tatsächlichen physikalischen Tragwerks nachzubilden. ⁶

Das ist kein visuelles Raten. Es ist eine lernbare, differenzierbare Simulation des Lastpfads.

3. Von BIM zum Graphen: Die Veriprajna-Datenpipeline

Der Übergang von einem statischen BIM-Modell oder einem 2-D-Bauplan zu einem dynamischen Berechnungsgraphen ist der zentrale technische Differenzierer von Veriprajna. Während LLMs versuchen, das „Bild“ des Bauplans zu lesen, extrahiert unsere Pipeline die „Logik“ des Schemas.

3.1 Graph Representation Learning für BIM

Building-Information-Modeling-(BIM)-Daten, üblicherweise im IFC-Format, enthalten die notwendigen Informationen, jedoch in einem hierarchischen, objektorientierten Format, das für direktes Machine Learning ungeeignet ist. Veriprajna setzt einen Graph-Representation-Learning-Workflow ein, um diese Daten zu transformieren. ¹⁰

Schritt 1: Topologische Extraktion Wir nutzen einen IFC-to-BIMGraph-Konverter, der das IFC-Schema parst. Er identifiziert Beziehungen wie IfcRelConnectsElements (physikalische Verbindung) und IfcRelContainedInSpatialStructure (räumliche Hierarchie). Diese Relationen werden direkt auf die Kanten unseres Graphen abgebildet. Anders als LLMs, die Schwierigkeiten haben zu „sehen“, ob zwei Linien sich berühren, definiert das IFC- Schema diese Konnektivität explizit, und unser Parser erfasst sie mit 100% Treue.12

Schritt 2: Multimodales Knoten-Embedding Ein Tragwerksbauteil hat sowohl semantische Beschreibungen („IPE 300 Steel Beam“) als auch geometrische Eigenschaften (das 3-D-Mesh). Wir fusionieren diese Modalitäten in den Merkmalsvektor des Knotens 10:

●​ Semantisches Embedding: Wir verwenden Large-Text-Embedding-Modelle (oder spezialisierte Ontologien wie pyRDF2Vec), um die textuellen Metadaten in hochdimensionale Vektoren umzuwandeln. Das erlaubt dem Modell, mathematisch zu verstehen, dass „IPE 300“ und „HEB 300“ ähnlich sind (beide Stahlprofile), aber in der Tragfähigkeit verschieden. ¹³

●​ Geometrisches Embedding: Wir setzen Point-Cloud-Encoder (etwa PointNet) ein, um die 3-D-Geometrie des Elements in einen Vektor zu kodieren. Das erfasst komplexe Formen, die Text nicht beschreiben kann.

Schritt 3: Dimensionalitätsreduktion Um eine effiziente Verarbeitung zu gewährleisten, wenden wir Algorithmen wie t-SNE (t-distributed Stochastic Neighbor Embedding) an, um die hochdimensionalen Merkmalsvektoren in eine kompakte Repräsentation zu reduzieren, die die kritische Varianz behält, ohne Overfitting.¹³

3.2 Automatisierte Erzeugung von Tragwerksmodellen

Das ultimative Ergebnis dieser Pipeline ist keine Textbeschreibung, sondern eine Eingabedatei für die Tragwerks- analyse. Forschung hat gezeigt, dass GNNs per überwachtem Lernen trainiert werden können, um BIM-Entitäten direkt auf Finite-Elemente-(FE)-Parameter abzubilden. ¹³

●​ Prädiktion: Das GNN sagt die notwendigen Steifigkeitsparameter ($EI, EA$) für jeden Knoten auf Basis seiner Embeddings voraus.

●​ Konstruktion: Das System erzeugt automatisch die Knoten- und Elementdefinitionen für Löser wie OpenSees oder SAP2000 .

Dieser Prozess automatisiert die Vorbereitung des „Lastabtrags“. Statt dass ein Ingenieur manuell Einzugsflächen misst und den Rahmen neu zeichnet, traversiert das Veriprajna-GNN den Graphen, aggregiert die Flächenattribute von Plattenknoten, überträgt sie auf Trägerknoten und kompiliert die Lastmatrix. ¹³

4. Physikinformierte neuronale Netze (PINNs): Die Engine des Determinismus

Die signifikanteste Kritik an KI im Ingenieurwesen ist das „Black-Box“-Problem. Wie können wir einem neuronalen Netz die menschliche Sicherheit anvertrauen? Veriprajna antwortet darauf mit Physics-Informed Neural Networks (PINNs) . Wir bitten die KI nicht, Physik aus Daten zu lernen; wir lehren die KI Physik, indem wir Differentialgleichungen direkt in ihr Gehirn einbetten.

4.1 Einbettung der maßgebenden Gleichungen in die Verlustfunktion

In einem Standard-Neuronalen-Netz besteht das Trainingsziel darin, den Fehler zwischen der Vorhersage und den Ground-Truth-Daten zu minimieren ($\mathcal{L}_{data}$). In einem PINN fügen wir ein Physik-Residuum

($\mathcal{L}_{PDE}$) zur Verlustfunktion hinzu. ¹⁴

Betrachten wir die Euler-Bernoulli-Balkengleichung, die den Balkon beschreibt:

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

Wobei $w$ die Durchbiegung ist und $q(x)$ die Last ist. Beim Training des Veriprajna-Modells ist die Verlustfunktion definiert als:

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

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

Hier ist $\hat{w}$ die vom Netz vorhergesagte Durchbiegung. Wir nutzen automatische Differentiation, um die Ableitungen der Vorhersage exakt zu berechnen. Wenn das Netz eine Durchbiegungsform vorhersagt, die die Gesetze des statischen Gleichgewichts verletzt, steigt der $\mathcal{L}_{PDE}$ Term sprunghaft an und zwingt das Netz, sich selbst zu korrigieren. ¹⁴

4.2 Fallstudie: Die Spaghetti-Brücke und darüber hinaus

Die Wirksamkeit dieses Ansatzes ist in jüngsten Experimenten belegt worden, etwa der Vorhersage der Tragfähigkeit von Spaghetti-Brücken. ¹⁴ Ein Physics-Informed Kolmogorov Arnold Network (PIKAN) wurde genutzt, um die Versagenslast vorherzusagen. Durch Integration der physikalischen Randbedingungen der Brückengeometrie und der Materialgrenzen konnte das Modell Gewichtsgrenzen selbst bei spärlichen Daten genau vorhersagen.

In komplexeren Szenarien, etwa Eisenbahnbrücken unter dynamischen Lasten, wurden PINNs erfolgreich eingesetzt, um Einflusslinien zu identifizieren und Tragwerksantworten vorherzusagen, wo traditionelle reine Daten-ML-Modelle nicht konvergierten. ¹⁵ Der PINN wirkt als Regularisierer und stellt sicher, dass die „Imagination“ der KI niemals Newtons Gesetze verletzt.

4.3 Graph-strukturierte physikinformierte DeepONets

Veriprajna nutzt die Spitze dieses Feldes: das Graph-Structured Physics-Informed DeepONet (GS-PI-DeepONet) . ¹⁷

●​ DeepONet (Deep Operator Network): Ein neuronales Netz, das darauf ausgelegt ist, Operatoren (Abbildungen zwischen unendlichdimensionalen Funktionenräumen) zu lernen, nicht nur Funktionen. Es kann den Operator lernen, der eine „Lastverteilungsfunktion“ auf eine „Durchbiegungs- funktion“ abbildet.

●​ Graph-strukturiert: Es wendet dieses Operator-Lernen auf unstrukturierte Graphen (Netze) an und kann so komplexe, irreguläre Gebäudegeometrien handhaben, an die Standard-CNNs nicht herankommen.

Diese Architektur hat 7–8x Beschleunigungen gegenüber traditionellen Finite-Elemente-Methoden- (FEM)-Lösern gezeigt, bei gleichzeitig $R^2$ Genauigkeitswerten von bis zu 0.9999 . ¹⁷ Das bedeutet: Veriprajna bietet die Geschwindigkeit von KI mit der Präzision der FEM.

5. Automatisierte Lastpfadverfolgung: Die „Wirbelsäule“ des Tragwerks

Im „Balkon“-Beispiel ist das kritische Versagen oft eine Diskontinuität im Lastpfad—Last wird auf den Kragarm aufgebracht, aber es gibt keine Rückspannweite und keinen Momentenanschluss, um sie auf die Stütze zu übertragen. Ein LLM sieht Pixel; Veriprajna sieht den Hauptlastpfad .

5.1 Matrixbasiertes Pathfinding für Resilienz

Veriprajna setzt rigorose graphentheoretische Algorithmen ein, um Lastpfade nachzuverfolgen. Das Tragwerk wird als Adjazenzmatrix repräsentiert $A$.

●​ Konnektivitätsanalyse: Indem wir die Adjazenzmatrix zu Potenzen erheben ($A^n$), können wir alle Pfade der Länge $n$ zwischen dem Lastangriffspunkt und dem Fundament identifizieren. ¹⁸

●​ Vollständige Pfadenumeration: Wir nutzen einen matrixbasierten erschöpfenden Pathfinder, der alle gangbaren Pfade für den Lastabtrag identifiziert. Das erlaubt uns, die Redundanz des Tragwerks zu quantifizieren. Existiert nur ein Pfad (ein statisch bestimmtes System), hat das Tragwerk null Redundanz und ein hohes Risiko. ¹⁹

5.2 Der U-Index: Lastabtrag visualisieren*

Um Ingenieuren intuitive Einblicke zu geben, berechnen wir den U-Index *, eine Metrik, die den internen Dehnungsenergie-Transfer und die relative Steifigkeit zwischen Punkten ausdrückt. ²⁰

●​ Hauptlastpfad (PLP): Definiert als die „Kammlinie“ der U*-Konturen—der steifste Weg durch das Tragwerk.

●​ Stromlinienvisualisierung: Mit dem Runge-Kutta-(RK4)-Algorithmus können wir den Gradienten des U*-Index integrieren, um „Stromlinien“ der Kraft zu zeichnen. ²⁰

Das erzeugt eine Visualisierung, in der die „Wirbelsäule“ des Gebäudes aufleuchtet. Ist der Balkon sicher, verbindet die PLP-Stromlinie nahtlos vom Geländer zur Stütze. Ist er unsicher (z. B. ein „schwebender“ Kragarm), endet die Stromlinie abrupt oder zeigt eine massive Divergenz der Dehnungsenergie. Das ist eine visuelle Diagnose aus der Mathematik, keine visuelle Halluzination aus Trainingsbildern.

5.3 Versagensausbreitung und Cut Sets

Aktuelle graphentheoretische Methoden erlauben uns auch, progressiven Kollaps zu modellieren. Indem wir systematisch Knoten entfernen (Stützenversagen simulieren) und die Konnektivität des Graphen neu bewerten (mit Maßen wie Betweenness-Zentralität oder Effizienz), können wir Cut Sets identifizieren—kritische Cluster von Komponenten, deren Versagen den Graphen in unzusammenhängende Komponenten spaltet.21 Diese „Graph-Attack“-Simulation ist rechnerisch instantan im Vergleich zum erneuten Durchlauf einer nichtlinearen FEM-Kollapsanalyse und erlaubt Veriprajna, Tausende Versagensszenarien in Echtzeit zu screenen.21

6. Enterprise-Anwendung: Die „Verifier“-Schicht

Für den Enterprise-Kunden—das große Ingenieurbüro, die staatliche Aufsicht, den Immobilien- entwickler—bietet Veriprajna ein spezifisches Deployment-Modell. Wir zielen nicht darauf, den Ingenieur zu ersetzen; wir zielen darauf, die Unsicherheit der KI-Einführung zu ersetzen.

6.1 Der „Human-in-the-Loop“-Workflow

Die Zukunft des Entwerfens involviert generative KI, erfordert aber eine Verifier-Schicht .

1.​ Generative Schicht (Wahrscheinlichkeit): Architekten nutzen Werkzeuge wie Midjourney oder MLLMs, um kreative Konzepte zu erzeugen („Zeig mir einen Kragbalkon mit parametrischem Geländer“). Das ist die Domäne der Wahrscheinlichkeit.

2.​ Veriprajna-Schicht (Determinismus):

○​ Das Konzept wird in einen BIM-Graphen geparst .

○​ Topologieprüfung: Ist der Graph zusammenhängend? (DFS/BFS-Algorithmen).

○​ Lastpfadprüfung: Erreicht der Hauptlastpfad das Fundament? (U*-Index).

○​ Physikprüfung: Erfüllen die PINN-vorhergesagten Spannungen $\sigma < f_y$? (PDE-Verlust).

3.​ Feedback: Scheitert die Physikprüfung, gibt Veriprajna eine harte Nebenbedingung an das generative Modell zurück („Trägerhöhe um 200mm erhöhen“ oder „Rückspannweiten-Anschluss hinzufügen“), und erzwingt eine Regeneration, die physikalisch gültig ist. ⁵

6.2 Dateneffizienz und Sicherheit

Ein großer Vorteil des GNN/PINN-Ansatzes ist Dateneffizienz . LLMs benötigen Petabytes an Trainingsdaten (das gesamte Internet), um einen „Vibe“ davon zu lernen, wie ein Gebäude aussieht. PINNs können, weil sie durch Physikgleichungen eingeschränkt sind, auf Small Data trainiert werden . ¹⁴

●​ Generalisierung: Ein GNN, das auf einem Datensatz von Stahlrahmen trainiert wurde, generalisiert gut auf neue Stahl- rahmen, weil die zugrunde liegende Physik (Hookesches Gesetz) sich nicht ändert.

●​ Privatsphäre: Weil die Modelle kleiner und spezialisiert sind, können sie bereitgestellt werden On-Premise . Kunden müssen keine sensible IP (Baupläne von Kernkraftwerken oder Rechenzentren) an eine öffentliche API wie OpenAI senden. Die „Physik-Engine“ lebt auf Ihrem Server.

6.3 Erklärbarkeit: Die „Glass Box“

Weil Graph Neural Networks auf Knoten operieren, die 1:1 auf physikalische Objekte abbilden, sind sie inhärent interpretierbar.

●​ Attention-Gewichte: Wir können die GNN-Attention-Gewichte visualisieren, um genau zu sehen, welche Nachbarn die Versagensvorhersage eines Knotens beeinflusst haben.

●​ Nachvollziehbarkeit: „Die Stütze versagte, weil die von Träger A und Träger B übertragene Last die Tragfähigkeit überschritt.“ ​

Das ist die Glass Box der KI, in scharfem Kontrast zur „Black Box“ der LLMs, in der das Reasoning in Milliarden uninterpretierbarer Parameter verborgen ist.23

7. Vergleichende Analyse: Der Veriprajna-Vorteil

Fähigkeit	Standard-multimodales LLM	Veriprajna (GDL/PINN)
Kernoperation	Next-Token-Vorhersage	Message Passing (Kraft- abtrag)
Kontextfenster	Begrenzte Tokens (vergesslich)	Unendliche Graph-Konnektivität
Sicherheitszusicherung	„Es sieht sicher aus“ (Halluzination)	„Physik-Residuum ist näherungsweise 0“ (verifiziert)
Lastpfadführung	Visuelle Schätzung (Raten)	Graph-Traversierung (Algorithmus)
Constraint-Handling	Weich (oft ignoriert)	Hart (PDEs in der Verlust- funktion)
Interpretierbarkeit	Black Box	Glass Box (knotenbezogene Attention)
Trainingsdaten	Das Internet (verzerrt/verrauscht)	Physikgleichungen + strukturierte Daten

8. Schlussfolgerung: Das Fundament der Mathematik

Die Bauindustrie ist einzigartig. In Software ist ein „Bug“ ein Ärgernis. In unserer Branche ist ein „Bug“ eine Tragödie. Der Hype-Zyklus um generative KI hat diese fundamentale Unterscheidung verdunkelt und eine Zukunft versprochen, in der KI unsere Städte „imaginieren“.

Veriprajna weist die Prämisse zurück, dass Ingenieurwesen in seiner Verifikation imaginativ sein sollte. Wir behaupten, dass die ingenieurtechnische Verifikation deterministisch sein muss . Das „Balkon-Paradoxon“ wird nicht gelöst, indem man einen besseren Bilderkenner trainiert, sondern indem man das Bild zugunsten des Graphen aufgibt.

●​ ChatGPT sagt, der Balkon sei sicher, weil es Tausende Fotos von Balkonen gesehen hat, und auf diesen Fotos bleiben die Pixel des Bodens üblicherweise über den Pixeln des Erdreichs.

●​ Physik sagt, der Balkon werde einstürzen, weil das Biegemoment am eingespannten Ende die Momententragfähigkeit des Querschnitts überschreitet ($\sum M > M_{cap}$).

Veriprajna ist die Plattform, die Ihnen erlaubt, der Physik zuzuhören. Wir bauen auf dem Fundament von Graphentheorie, Geometric Deep Learning und Differentialgleichungen. Wir raten keine Pixel. Wir berechnen Lasten.

Bauen Sie auf einem Fundament aus Mathematik oder aus Wahrscheinlichkeit?

Forschungsdaten und Zitate

●​ LLM-Limitationen: ³ (DSR-Bench-Fehler beim strukturellen Reasoning) ⁴ (DesignQA-Anforderungs- verifikationsversagen) ¹ (ViT-Patch-Assoziationen vs. Topologie) ⁵ (Autodesk-Generative-AI- Benchmarks) ² (ViT-Architektur).

●​ Grundlagen des Geometric Deep Learning: ⁶ (GDL-Definition) ⁹ (GNN-Notation und Mathematik) ⁷ (euklidisch vs. nichteuklidisch) ²⁵ (GNN-Generalisierung) ⁸ (Altair PhysicsAI und GDL).

●​ Datenpipeline: ¹⁰ (BIM-Graph-Repräsentation) ¹³ (semantische Embeddings und ANNs) ¹² (IFC-to-BIMGraph) ²⁶ (GraphRAG und Ontologien).

●​ Physikinformierte neuronale Netze: ¹⁴ (PINNs für Brückengewicht/PIKAN) ¹⁵ (PINN-Review und Eisenbahnbrücken) ¹⁷ (graph-strukturiertes DeepONet) ¹⁶ (PINN für Rahmen).

●​ Lastpfad und Resilienz: ¹⁹ (Matrix-Pathfinding) ²¹ (Graphentheorie für Rohrversagen) ¹⁸ (Adjazenzmatrix-Potenzen) ²⁰ (U*-Index und Lastpfade) ²⁰ (Hauptlastpfad- Visualisierung).

●​ Allgemeiner Kontext: ²⁷ (Herausforderungen generativer Zeichnungen) ²⁸ (KI-Ethik und Bias) ²² (generative vs. nichtgenerative Modelle).

Literaturverzeichnis

1. Vision Transformers provably learn spatial structure, abgerufen am 12. Dezember 2025, https://proceedings.neurips.cc/paper_files/paper/2022/file/f69707de866eb0805683d3521756b73f-Paper-Conference.pdf

2. Vision Transformers (ViT) Tutorial: Architecture and Code Examples - DataCamp, abgerufen am 12. Dezember 2025, https://www.datacamp.com/tutorial/vision-transformers

3. Can LLMs Reason Structurally? An Evaluation via the Lens of Data ..., abgerufen am 12. Dezember 2025, https://arxiv.org/pdf/2505.24069

4. DesignQA: A Multimodal Benchmark for Evaluating Large Language Models' Understanding of Engineering Documentation - arXiv, abgerufen am 12. Dezember 2025, https://arxiv.org/html/2404.07917v1

5. Safer by Design: Benchmarks for Generative AI - Autodesk Research, abgerufen am 12. Dezember 2025, https://www.research.autodesk.com/blog/safer-by-design-benchmarks-for-generative-ai/

6. Geometric Deep Learning — AI Search Algorithms for Smart Mobility, abgerufen am 12. Dezember 2025, https://smartmobilityalgorithms.github.io/book/content/LearnToSearch/GeometricDeepLearning.html

7. A gentle introduction to Geometric Deep Learning - dataroots, abgerufen am 12. Dezember 2025, https://dataroots.io/blog/a-gentle-introduction-to-geometric

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

9. AIDA-01-Intro to geometric deep learning, abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 2025, https://arxiv.org/html/2510.25683v1

12. graph representation learning: embedding ... - mediaTUM, abgerufen am 12. Dezember 2025, https://mediatum.ub.tum.de/doc/1780983/hag373op3y69o9fnb4r9h3ecu.GRL_EC3_camera_ready.pdf

13. Automatic generation of Structural models from BIM models using ..., abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 2025, https://www.mdpi.com/2673-3161/6/4/84

17. A Graph-Structured, Physics-Informed DeepONet Neural Network for ..., t b abgerufen am 12. Dezember 2025, https://www.mdpi.com/2504-4990/7/4/137

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

19. Graph-Theoretic Pathfinding for Infrastructure Robustness and ..., abgerufen am 12. Dezember 2025, https://www.jsofcivil.com/article_233020_bc0a15e4051015c95980e439af441832.tpdf

20. load path visualization using u* index and - CORE, abgerufen am 12. Dezember 2025, https://core.ac.uk/download/pdf/524099241.pdf

21. Modeling multiple-pipe failures in stormwater networks using graph theory - IWA Publishing, abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9714572/

25. Introduction to Geometric Deep Learning | ml-articles – Weights & Biases t b Wandb, abgerufen am 12. Dezember 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 abgerufen am 12. Dezember 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, abgerufen am 12. Dezember 2025, https://arxiv.org/html/2507.19771v1

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