Warum LLMs Pixel raten, während Physics-Informed Graphen Lasten berechnen
Die AEC-Branche steht vor einer kritischen Entscheidung: Pixelbasierte probabilistische KI die Sicherheit halluziniert, oder Strukturbasierte deterministische KI die Lasten mithilfe der Physik berechnet. Ein Balkon hält nicht, weil ein LLM sagt, er sei „robust“ – er hält nur, wenn der Lastpfad die Differentialgleichungen des Gleichgewichts erfüllt.
Veriprajnas Geometric-Deep-Learning-Framework wandelt Baupläne in mathematische Graphen um, in denen Knoten Bauteile und Kanten Lastpfade sind. Durch direkte Einbettung physikalischer Gleichungen in die Loss-Funktionen neuronaler Netze gehen wir vom probabilistischen Raten zur deterministischen Berechnung über.
Das grundlegende Versagen bei der Anwendung von LLMs auf die Tragsicherheit
„Die Balkonkonstruktion scheint stabil. Das Geländer ist vorhanden und die Bodenoberfläche wirkt robust. Der Entwurf folgt Standard-Architekturmustern aus Tausenden von Balkonbildern.“
KRITISCHES VERSAGEN ERKANNT
Lastpfad-Diskontinuität an der Kragarm-Verbindung
„Ein Balkon steht nicht, weil eine Textbeschreibung ihn als ‚robust‘ bezeichnet, und er widersteht der Schwerkraft auch nicht, weil eine pixelbasierte Analyse die visuelle Anwesenheit eines Geländers feststellt. Er steht nur, wenn der Lastpfad durchgängig ist, die Spannungsverteilung innerhalb der Elastizitätsgrenze der Werkstoffe bleibt und die Topologie des Tragwerks die maßgeblichen Differentialgleichungen des Gleichgewichts erfüllt."
— Veriprajna Technisches Whitepaper, Executive Summary
Der zentrale Fehlermodus: Es sind probabilistische Maschinen, die darauf ausgelegt sind, Tokens vorherzusagen – keine Logikmaschinen, die darauf ausgelegt sind, physikalische Randbedingungen zu lösen.
Vision Transformers unterteilen Bilder in 16×16-Pixel-Patches. Sie lernen „Patch-Assoziationen“ – statistische Korrelationen zwischen Pixelclustern –, keine echte räumliche Topologie.
Werden die Pixel durcheinandergewürfelt, behalten ViTs eine hohe Genauigkeit – der Beweis, dass sie sich nicht auf räumliche Struktur verlassen. Im Ingenieurwesen ist die räumliche Struktur alles.
10 moderne LLMs, getestet an 4.140 strukturellen Schlussfolgerungsproblemen. Höchstpunktzahl: 0,498/1,0—Münzwurf-Genauigkeit.
Die Leistung verschlechtert sich, wenn Probleme in natürlicher Sprache statt in formalem Code beschrieben werden – LLMs stützen sich auf gespeicherte GitHub-Muster, nicht auf Schlussfolgern.
MLLMs konnten Bauvorschriften fließend zusammenfassen, scheiterten aber daran, quantitative Randbedingungen auf Entwurfsartefakte anzuwenden.
Exotischer-Materialien-Bias: LLMs schlagen Titan/Kohlenstofffaser vor, selbst wenn der Kontext kosteneffiziente Lösungen verlangt – optimiert auf „hightech-klingend“ statt kontextuell korrekt.
| Merkmal | Vision Transformer (LLM) | Ingenieursrealität |
|---|---|---|
| Eingabeeinheit | Pixel-Patch (16×16-Raster) | Bauteil (Balken, Stütze) |
| Beziehung | Statistische Korrelation (Attention) | Physikalische Kausalität (Lastübertragung) |
| Räumliches Verständnis | Positional Embedding (gelernt) | Topologische Konnektivität (absolut) |
| Fehlermodus | Halluzination (sieht sicher aus) | Einsturz (ist unsicher) |
| Datendomäne | Euklidisch (rasterförmig) | Nicht-euklidisch (graphenförmig) |
LLMs sehen Baupläne als Pixelraster. Erscheint ein schwarzer Balken vor schwarzem Hintergrund, können sie ihn buchstäblich nicht sehen. Schlimmer noch: Sie könnten Verbindungen „sehen“, die nicht existieren, weil benachbarte Pixel Attention-Gewichte auslösen.
Wir parsen das IFC/BIM-Schema direkt. Knoten repräsentieren physische Bauteile mit Materialeigenschaften (E, I, f_y). Kanten repräsentieren Lastübertragungsbeziehungen, die durch das Schema definiert sind – nicht aus Pixeln erraten.
Um das Pixel-Raten zu überwinden, baut Veriprajna auf Geometric Deep Learning auf – der Verallgemeinerung neuronaler Netze auf nicht-euklidische Domänen (Graphen und Mannigfaltigkeiten).
Standard-CNNs arbeiten auf euklidischen Rastern, in denen jedes Pixel genau 8 Nachbarn hat. Tragwerke sind inhärent nicht-euklidisch:
In Veriprajna wird ein Gebäude formalisiert als G = (V, E):
Anders als Pixel (RGB-Werte) enthalten Knoten tatsächliche physikalische Parameter: E-Modul, Trägheitsmoment, Streckgrenze – die für die Berechnung erforderlichen Werte.
Berechnet die vom Nachbarknoten u auf Knoten v übertragene Kraft bzw. das Moment auf Grundlage der Kanteneigenschaften (Verbindungssteifigkeit, Ausrichtung).
Summiert alle Kräfte, die von allen verbundenen Bauteilen auf Knoten v wirken – analog zu den ∑F-Gleichgewichtsgleichungen.
Berechnet den neuen Zustand (Verschiebung, Spannung) von Knoten v auf Grundlage der gesamten eingehenden Kraft – Anwendung des Hookeschen Gesetzes.
Durch Stapelung von k Schichten propagiert ein 10-Schichten-GNN Informationen 10 Hops weit: Eine Dachlast beeinflusst das Fundament mathematisch –eine lernbare, differenzierbare Simulation des Lastpfads.
Der IFC-to-BIMGraph-Konverter parst das IFC-Schema. Er identifiziert IfcRelConnectsElements (physische Verbindungen) und bildet sie auf Kanten ab, mit 100%iger Konnektivitätstreue– ohne Raten.
Verschmilzt semantische („IPE 300 Steel“) und geometrische Information (3D-Mesh via PointNet) zu Knotenvektoren. Das Modell versteht IPE 300 ≈ HEB 300, unterscheidet jedoch die Tragfähigkeit.
Das GNN prognostiziert Steifigkeitsparameter (EI, EA) und generiert FE-Eingabedateien für OpenSees/SAP2000 – automatisiert die Vorbereitung der Lastabtragung.
Wir bitten die KI nicht, Physik aus Daten zu lernen. Wir bringen der KI Physik bei , indem Differentialgleichungen direkt in die Loss-Funktion eingebettet werden.
Betrachten Sie die Euler-Bernoulli-Balkengleichung, die die Durchbiegung eines Balkons bestimmt:
Die gesamte Loss-Funktion lautet:
Mit Automatic Differentiation, berechnen wir die Ableitungen der Netzvorhersage exakt. Verstößt die vorhergesagte Durchbiegung gegen das Gleichgewicht, schnellt L_PDE in die Höhe und erzwingt eine Korrektur.
Ein Physics-Informed Kolmogorov Arnold Network (PIKAN) sagte Versagenslasten mit spärlichen Daten voraus, indem es Geometrie- und Materialgrenz-Randbedingungen integrierte.
PINNs identifizierten Einflusslinien unter dynamischen Lasten, wo rein datenbasiertes ML nicht konvergierte. Physik wirkt als Regularisierer—die Fantasie der KI verletzt niemals Newtons Gesetze.
Veriprajna nutzt Graph-Structured Physics-Informed Deep Operator Networks – gelernte Operatoren (Abbildungen zwischen unendlichdimensionalen Funktionenräumen) auf unstrukturierten Graphen.
Ein LLM sieht Pixel. Veriprajna sieht den Hauptlastpfad – streng nachverfolgt mithilfe von Algorithmen der Graphentheorie.
Das Tragwerk wird als Adjazenzmatrix A dargestellt. Durch Potenzen von A (A^n) identifizieren wir alle Pfade der Länge n zwischen Last und Fundament.
Berechnung des U*-Index – einer Metrik für die Übertragung innerer Formänderungsenergie. Der Hauptlastpfad ist als „Gratkamm“ der U*-Konturlinien definiert (der steifste Weg).
Systematisch Knoten entfernen (Stützenversagen simulieren) und die Graphenkonnektivität mithilfe von Betweenness Centrality neu bewerten. Cut Sets sofort identifizieren.
Veriprajna ersetzt keine Ingenieure – wir ersetzen die Unsicherheit bei der KI-Einführung durch eine deterministische Verifikationsschicht.
Architekten nutzen Midjourney/MLLMs, um kreative Konzepte zu generieren: „Zeig mir einen auskragenden Balkon mit parametrischem Geländer“
Schlägt die Physik fehl, wird eine harte Randbedingung zurückgegeben: „Balkenhöhe um 200 mm erhöhen“ oder „Rückspann-Verbindung ergänzen“ – Neugenerierung erzwingen
PINNs trainiert auf Small Data weil physikalische Randbedingungen den Suchraum verkleinern. LLMs brauchen Petabytes, um „Vibes“ zu lernen.
GNNs bilden 1:1 auf physische Objekte ab. Wir können Attention-Gewichte visualisieren und exakt nachvollziehen, warum Vorhersagen getroffen wurden.
Kontrast dazu: die LLM-„Black Box“, deren Reasoning in Milliarden uninterpretierbarer Parameter verborgen liegt.
| Fähigkeit | Standard-multimodales LLM | Veriprajna (GDL/PINN) |
|---|---|---|
| Kernoperation | Next-Token Prediction | Message Passing (Kraftübertragung) |
| Kontextfenster | Begrenzte Tokens (vergesslich) | Unendliche Graphenkonnektivität |
| Sicherheitsnachweis | „Sieht sicher aus“ (Halluzination) | „Physik-Residuum ≈ 0“ (verifiziert) |
| Lastpfadbestimmung | Visuelle Schätzung (Raten) | Graphendurchlauf (Algorithmus) |
| Umgang mit Randbedingungen | Weich (oft ignoriert) | Hart (PDEs in der Loss-Funktion) |
| Interpretierbarkeit | Black Box | Gläserne Box (Attention auf Knotenebene) |
| Trainingsdaten | Das Internet (verzerrt/verrauscht) | Physikgleichungen + strukturierte Daten |
| Genauigkeit (strukturelles Schlussfolgern) | 49,8% (DSR-Bench) | R² = 0,9999 |
| Deployment | Cloud-API (Datenschutzrisiko) | On-Premise (sicher) |
Die Bauindustrie ist einzigartig. In der Software ist ein „Bug“ ein Ärgernis. In unserer Branche ist ein „Bug“ eine Tragödie. Der Hype-Zyklus rund um Generative KI hat diesen fundamentalen Unterschied verwischt.
„Der Balkon ist sicher, weil er Tausende Fotos von Balkonen gesehen hat und auf diesen Fotos die Pixel des Fußbodens meist über den Pixeln des Erdbodens bleiben.“
„Der Balkon wird einstürzen, weil das Biegemoment am Einspannende die Momentkapazität des Querschnitts überschreitet: ∑M > M_cap"
Veriprajna ist die Plattform, mit der Sie auf die Physik hören können.
Wir bauen auf dem Fundament von Graphentheorie, Geometric Deep Learning und Differentialgleichungen. Wir raten keine Pixel. Wir berechnen Lasten.
Vision Transformers unterteilen Baupläne in 16x16-Pixel-Patches und lernen statistische Korrelationen statt physikalischer Kausalität. DSR-Bench-Tests mit 10 modernsten LLMs an 4.140 strukturellen Schlussfolgerungsproblemen ergaben eine Höchstpunktzahl von nur 0,498 von 1,0 – Münzwurf-Genauigkeit. Sie können weder Multi-Hop-Schlussfolgern noch Randbedingungserfüllung leisten und keine Lastpfad-Diskontinuitäten erkennen, die zu strukturellem Versagen führen.
PINNs betten maßgebliche Differentialgleichungen wie die Euler-Bernoulli-Balkengleichung direkt in die Loss-Funktion ein. Mittels Automatic Differentiation wird die vorhergesagte Durchbiegung des Netzes' gegen die Gleichgewichtsgleichungen geprüft. Verstößt die Vorhersage gegen die Physik, schnellt der PDE-Loss-Term in die Höhe und erzwingt eine Korrektur – mit einer R²-Genauigkeit von 0,9999 bei 7-8-facher Geschwindigkeit gegenüber herkömmlichen FEM-Lösern.
Veriprajna's IFC-to-BIMGraph-Pipeline parst das IFC-Schema direkt und extrahiert IfcRelConnectsElements-Beziehungen, um Graphenkanten mit 100%iger Konnektivitätstreue zu erzeugen. Knoten repräsentieren Bauteile mit physikalischen Eigenschaften wie Young's Modulus (E-Modul), Trägheitsmoment und Streckgrenze. Multimodale Embeddings verschmelzen semantische und geometrische Daten zu Knotenvektoren für die GNN-Verarbeitung.
Veriprajna bietet Enterprise-Deployment, individuelles Modelltraining auf Ihren BIM-Daten und Integration in bestehende CAD/BIM-Pipelines.
Vollständiger technischer Bericht mit 28 peer-reviewten Zitationen: Hardwarearchitektur, Message Passing Neural Networks, PINN-Mathematik, Performance-Benchmarks von Graph-Structured DeepONet, Spezifikationen der IFC-to-BIMGraph-Pipeline.