La brecha determinista: por qué los LLM adivinan píxeles mientras los grafos informados por la física calculan cargas

Resumen ejecutivo: la paradoja del balcón

La industria de la arquitectura, la ingeniería y la construcción (AEC) se encuentra actualmente al borde de un cisma tecnológico que definirá el perfil de seguridad de nuestro entorno construido durante el próximo siglo. De un lado está la promesa seductora de la IA generativa: los Large Language Models (LLM) y los Multimodal Large Language Models (MLLM) que parecen poder «leer» planos, generar conceptos de diseño y conversar sobre códigos de edificación con fluidez humana. Del otro lado está la realidad rigurosa e inmutable de la física. Un balcón no se sostiene porque una descripción textual diga que es «robusto», ni resiste la gravedad porque un análisis basado en píxeles identifique la presencia visual de una barandilla. Se sostiene solo si el camino de carga es continuo, la distribución de tensiones permanece dentro del límite elástico de los materiales y la topología de la estructura satisface las ecuaciones diferenciales gobernantes del equilibrio.

Este whitepaper, preparado para Veriprajna, investiga la divergencia fundamental entre la IA probabilística basada en píxeles (la ola actual de IA generativa) y la IA determinista basada en la estructura (el enfoque de Veriprajna mediante Geometric Deep Learning). Exploramos la debilidad fundacional de aplicar arquitecturas neuronales euclidianas —como los Vision Transformers— a la realidad no euclidiana de la ingeniería estructural. Demostramos, mediante un análisis riguroso de evaluaciones recientes, por qué los LLM multimodales, pese a su destreza lingüística, son propensos a alucinaciones peligrosas cuando se les encarga el razonamiento estructural. Ven un plano como una colección de píxeles que hay que predecir; no calculan las cargas que esos píxeles representan.

En contraste, presentamos un marco integral para el Geometric Deep Learning (GDL) y las Physics-Informed Neural Networks (PINN) . Este enfoque convierte los esquemas de ingeniería no en tokens, sino en grafos matemáticos donde los nodos actúan como miembros estructurales y las aristas funcionan como caminos de carga. Al incrustar las leyes de la física directamente en las funciones de pérdida de la red neuronal, pasamos del adivinar probabilístico de «¿Es seguro?» al cálculo determinista de «¿Aguantará?»

La industria enfrenta una pregunta crítica, una que Veriprajna responde con certeza matemática: ¿Está construyendo sobre un fundamento de matemáticas o de probabilidad?

1. La alucinación de la seguridad: por qué los LLM multimodales fallan en el razonamiento estructural

La rápida proliferación de los Large Language Models ha llevado a una peligrosa confusión de la plausibilidad con la exactitud . En el ámbito de la escritura creativa o de los textos de marketing, una respuesta plausible suele bastar. En ingeniería estructural, una respuesta plausible pero incorrecta es catastrófica. El modo de fallo central de desplegar LLM para el análisis estructural reside en su arquitectura: son motores probabilísticos diseñados para predecir el siguiente token o píxel, no motores lógicos diseñados para resolver restricciones físicas.

1.1 La trampa de los píxeles: Vision Transformers y la ilusión de comprensión

Cuando un LLM multimodal, como GPT-4V o Gemini, «ve» un plano estructural, no percibe vigas, pilares ni caminos de carga. Emplea una arquitectura Vision Transformer (ViT) para procesar la imagen. El ViT divide la imagen en una secuencia de parches de tamaño fijo (p. ej., $16 \times 16$ píxeles), los aplana en vectores y los procesa para minimizar una pérdida de entrenamiento. ¹

De forma crucial, la investigación teórica reciente revela que los ViT minimizan esta pérdida aprendiendo «asociaciones de parches»: correlaciones estadísticas entre agrupaciones de píxeles, en lugar de la verdadera topología espacial. ¹ El modelo podría aprender que un parche que contiene una línea vertical (un pilar) es estadísticamente probable que esté adyacente a un parche que contiene una línea horizontal (una viga). Sin embargo, esto es una correlación, no una comprensión causal. El modelo no entiende que la línea horizontal está soportada por la línea vertical. Si se elimina la línea vertical, la distribución probabilística del modelo podría desplazarse ligeramente, pero no tiene un motor de física interno que le indique que la línea horizontal debe caer ahora.

Este enfoque de «bolsa de parches» explica por qué los LLM tropiezan con el razonamiento espacial preciso. En experimentos en los que se permutan (se revuelven) píxeles o parches de la imagen, los ViT suelen conservar una alta precisión de clasificación, lo que demuestra que no se apoyan en la estructura espacial estricta del objeto, sino en la presencia de textura y de patrones locales. ¹ En ingeniería, sin embargo, la estructura espacial lo es todo. Un detalle de conexión que está «casi ahí» pero al que le falta una continuidad crítica del camino de carga no es un 90% seguro; es un 100% inseguro. Al tratar los planos como píxeles, los LLM pasan por alto de forma fundamental la naturaleza binaria de la estabilidad estructural.

Característica	Vision Transformer (LLM)	Realidad de la ingeniería
Unidad de entrada	Parche de píxeles ($16 \times 16$ cuadrícula)	Elemento estructural (viga, pilar)

Relación	Correlación estadística (Atención)	Causalidad física (transferencia de carga)
Comprensión espacial	Embedding posicional (Aprendido)	Conectividad topológica (Absoluta)
Modo de fallo	Alucinación (parece seguro)	Colapso (es inseguro)
Dominio de datos	Euclidiano (tipo cuadrícula)	No euclidiano (tipo grafo)

1.2 El veredicto de DSR-Bench: cuantificar la brecha de razonamiento

La hipótesis de que los LLM tropiezan con el razonamiento estructural no es meramente teórica; ha sido validada empíricamente. El DSR-Bench (Data Structure Reasoning Benchmark) evaluó recientemente las capacidades de razonamiento algorítmico de diez LLM de vanguardia en 35 operaciones y 4,140 instancias de problemas generadas sintéticamente. ³ Los resultados fueron aleccionadores para cualquier defensor de la ingeniería basada en LLM.

El benchmark se diseñó para probar el «razonamiento estructural»: la capacidad de comprender y manipular relaciones complejas entre entidades, un proxy directo para comprender el pórtico de un edificio.

●​ Techo de rendimiento: El modelo frontier de mejor desempeño logró una puntuación de solo 0.498 sobre 1.0 en instancias exigentes que involucran estructuras híbridas y composicionales. ³

●​ Modos de fallo: Los modelos mostraron debilidades críticas en el razonamiento multi-hop (seguir una relación a través de múltiples nodos intermedios) y en la satisfacción de restricciones (cumplir reglas estrictas definidas por el usuario).

●​ Incompetencia espacial: En tareas de datos espaciales —que imitan la naturaleza multidimensional de las estructuras físicas del mundo real— el rendimiento cayó de forma significativa a medida que aumentaba la dimensionalidad. ³

Lo más alarmante: el estudio halló que el rendimiento del modelo se degrada cuando los problemas se describen en «lenguaje natural» en comparación con código formal. Esto sugiere que los LLM se apoyan en el emparejamiento de patrones de estructuras sintácticas específicas (memorizadas a partir de datos de entrenamiento como GitHub) en lugar de un razonamiento genuino. Cuando un ingeniero describe un problema estructural único y no estándar en inglés llano, el LLM queda fuera de sus patrones memorizados y entra en un modo de razonamiento en el que falla estadísticamente el 50% de las veces. ³

1.3 La evidencia de DesignQA: incapacidad para verificar requisitos

Más evidencia proviene de DesignQA, un benchmark construido específicamente para evaluar MLLM en contextos de diseño de ingeniería. ⁴ Este estudio se centró en la capacidad de los modelos para extraer requisitos técnicos de la documentación y aplicarlos a artefactos de diseño.

Los hallazgos reforzaron la «ilusión de competencia». Aunque los MLLM podían resumir con fluidez el texto de un código de edificación o de una norma de ingeniería, no lograron aplicar con exactitud esas restricciones cuantitativas al visual de diseño.

●​ Extracción frente a aplicación: Los modelos podían responder «¿Cuál es la flecha máxima permitida ?» (extracción), pero no lograron responder «¿Este diseño concreto de viga cumple la flecha máxima permitida?» (aplicación). ⁴

●​ Sesgo exótico: La investigación sobre selección de materiales halló que los LLM exhibían un sesgo fuerte hacia materiales «exóticos» o de alto rendimiento (como el titanio o la fibra de carbono) incluso cuando el contexto exigía soluciones rentables, simplemente porque esos materiales aparecen con frecuencia en el corpus de entrenamiento «de alta tecnología». ⁵

Este sesgo hacia respuestas que «suenan óptimas» pero son contextualmente erróneas pone de relieve el riesgo de alucinación. Un LLM que revise el diseño de un balcón podría sugerir una barandilla de aleación de alta resistencia —sonando muy profesional— sin notar que la losa en voladizo de hormigón carece de armadura superior, la causa real del colapso teórico.

1.4 El «loro estocástico» en un mundo determinista

El problema fundamental es el desajuste de dominios. La ingeniería estructural es un campo determinista gobernado por las leyes de la física. Si $\sum F_y \neq 0$, la estructura acelera. No hay probabilidad de por medio. Los LLM son motores estocásticos. Generan texto basándose en la distribución de probabilidad del siguiente token.

Cuando preguntamos a un LLM: «¿Es seguro este balcón?», no está calculando un momento de inercia. Está prediciendo los tokens que suelen seguir a esa pregunta en sus datos de entrenamiento. Si sus datos de entrenamiento contienen miles de informes de inspección de seguridad que concluyen «la estructura parece sólida», el LLM está sesgado estadísticamente a generar un consuelo similar, con independencia de la evidencia visual del parche de píxeles concreto que está analizando. Adivina basándose en la «atmósfera» de los píxeles, no en el cálculo de las cargas.

2. Geometric Deep Learning: el fundamento matemático de Veriprajna

Para trascender las limitaciones de adivinar píxeles, Veriprajna se apoya en el Geometric Deep Learning (GDL) . Este campo de la inteligencia artificial generaliza las redes neuronales a dominios no euclidianos, en concreto grafos y variedades. ⁶ En nuestro marco, un edificio no es una imagen; es un grafo .

2.1 La realidad no euclidiana de las estructuras

El Deep Learning estándar (CNN) opera sobre datos euclidianos . Las imágenes son cuadrículas 2D; el audio es una cuadrícula 1D (tiempo). En el espacio euclidiano, el concepto de «dirección» y de «vecino» es fijo. Un píxel en $(x,y)$ tiene siempre exactamente 8 vecinos (salvo en el borde), y el desplazamiento de $(x,y)$ a $(x+1, y)$ es uniforme en todas partes. ⁷

Las estructuras son inherentemente no euclidianas .

●​ Topología irregular: Un nudo de acero en una celosía podría conectar con 3 miembros; un nudo en un diagrid complejo podría conectar con 8. No hay una «cuadrícula» fija.

●​ Sin orientación fija: Una viga se define por su conectividad, no por su posición en un mapa de bits.

Rotar un plano 90 grados cambia cada valor de píxel y rompe una CNN estándar, pero el grafo subyacente (las conexiones entre miembros) permanece invariante. ⁷

Veriprajna utiliza Graph Neural Networks (GNN) porque están diseñadas matemáticamente para manejar esta irregularidad. Una GNN no fuerza la estructura a una cuadrícula; acepta la estructura como un conjunto de nodos ($V$) y aristas ($E$) en su formato topológico nativo. ⁶

2.2 Definición matemática del grafo del edificio

En el sistema Veriprajna, un modelo estructural se formaliza como un grafo $G = (V, E)$.

Nodos ($V$): Cada nodo representa un componente estructural físico (viga, pilar, losa, muro). A diferencia de un píxel, que solo contiene datos de color (RGB), un nodo de Veriprajna es un contenedor de datos rico que alberga un vector de características $\mathbf{x}_v$:

$$\mathbf{x}_v =$$

Estas características capturan el módulo de Young ($E$), el momento de inercia ($I$) y la resistencia a la fluencia ($f_y$)—los parámetros físicos reales requeridos para el cálculo.10 Aristas ($E$): Cada arista representa una conexión o interacción física. Una arista $e_{ij}$ existe si el miembro $i$ transfiere carga al miembro $j$. El vector de características de la arista $\mathbf{x}_{e_{ij}}$ captura la rigidez de la conexión (empotrado frente a articulado) y la orientación relativa.

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

Esta representación es invariante a la permutación . La física del edificio no cambia si reordenamos la lista de vigas en la base de datos. Las GNN respetan esta invariancia, mientras que los modelos de secuencia (como los Transformers de los LLM) son sensibles al orden de entrada. ⁷

2.3 Convolución en grafos y paso de mensajes

El motor del razonamiento de Veriprajna es el paradigma de la Message Passing Neural Network (MPNN) . En una GNN, la información fluye por el grafo de forma similar a como las fuerzas fluyen por una estructura.

Para cada capa $l$ de la GNN, el estado de un nodo $\mathbf{h}_v^{(l)}$ se actualiza agregando «mensajes» de sus vecinos $\mathcal{N}(v)$:

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

●​ $\psi^{(l)}$: La función de mensaje . En términos estructurales, esto calcula la fuerza/momento transferido del vecino $u$ al nodo $v$.

●​ $\bigoplus$: La función de agregación (p. ej., suma). Esto suma todas las fuerzas que actúan sobre el nodo $v$ desde todos los miembros conectados.

●​ $\phi^{(l)}$: La función de actualización . Esto calcula el nuevo estado (p. ej., desplazamiento o tensión) del nodo $v$ a partir de la fuerza total incidente.

Al apilar $k$ capas de GNN, la red propaga información $k$-saltos más allá. Una GNN de 10 capas permite que una carga aplicada en la cubierta (nodo A) influya matemáticamente en el estado de la cimentación (nodo Z), imitando la distribución global del camino de carga de la estructura física real. ⁶

Esto no es una conjetura visual. Es una simulación diferenciable y aprendible del camino de carga.

3. De BIM a grafo: el pipeline de datos de Veriprajna

La transición de un modelo BIM estático o de un plano 2D a un grafo de cómputo dinámico es el diferenciador técnico central de Veriprajna. Mientras los LLM intentan leer la «imagen» del plano, nuestro pipeline extrae la «lógica» del esquema.

3.1 Graph Representation Learning para BIM

Los datos de Building Information Modeling (BIM), normalmente en formato IFC, contienen la información necesaria pero en un formato jerárquico orientado a objetos que no es adecuado para el Machine Learning directo. Veriprajna emplea un flujo de Graph Representation Learning para transformar estos datos. ¹⁰

Paso 1: extracción topológica Utilizamos un convertidor IFC-to-BIMGraph que analiza el esquema IFC. Identifica relaciones como IfcRelConnectsElements (conexión física) e IfcRelContainedInSpatialStructure (jerarquía espacial). Estas relaciones se mapean directamente a las aristas de nuestro grafo. A diferencia de los LLM, que tropiezan al «ver» si dos líneas se tocan, el esquema IFC define esta conectividad de forma explícita, y nuestro parser la captura con una fidelidad del 100%.12

Paso 2: embedding multimodal de nodos Un miembro estructural tiene tanto descripciones semánticas («IPE 300 Steel Beam») como propiedades geométricas (la malla 3D). Fusionamos estas modalidades en el vector de características del nodo 10:

●​ Embedding semántico: Usamos modelos de Large Text Embedding (u ontologías especializadas como pyRDF2Vec) para convertir los metadatos textuales en vectores de alta dimensión. Esto permite al modelo comprender matemáticamente que «IPE 300» y «HEB 300» son similares (ambas secciones de acero) pero distintas en capacidad. ¹³

●​ Embedding geométrico: Empleamos codificadores de nubes de puntos (como PointNet) para codificar la geometría 3D del elemento en un vector. Esto captura formas complejas que el texto no puede describir.

Paso 3: reducción de dimensionalidad Para asegurar un procesamiento eficiente, aplicamos algoritmos como t-SNE (t-distributed Stochastic Neighbor Embedding) para reducir los vectores de características de alta dimensión a una representación compacta que retiene la varianza crítica sin sobreajuste.¹³

3.2 Generación automatizada de modelos estructurales

La salida última de este pipeline no es una descripción textual, sino un archivo de entrada para el análisis estructural. La investigación ha demostrado que las GNN pueden entrenarse mediante aprendizaje supervisado para mapear entidades BIM directamente a parámetros de elementos finitos (FE). ¹³

●​ Predicción: La GNN predice los parámetros de rigidez necesarios ($EI, EA$) para cada nodo a partir de sus embeddings.

●​ Construcción: El sistema genera automáticamente las definiciones de nodos y elementos para solvers como OpenSees o SAP2000 .

Este proceso automatiza la preparación del «Load Takedown». En lugar de que un ingeniero mida a mano las áreas tributarias y redibuje el pórtico, la GNN de Veriprajna recorre el grafo, agrega los atributos de área de los nodos de losa, los transfiere a los nodos de viga y compila la matriz de cargas. ¹³

4. Physics-Informed Neural Networks (PINN): el motor del determinismo

La crítica más significativa de la IA en ingeniería es el problema de la «caja negra». ¿Cómo podemos confiar la seguridad humana a una red neuronal? Veriprajna responde a esto con las Physics-Informed Neural Networks (PINN) . No pedimos a la IA que aprenda física a partir de datos; le enseñamos a la IA física incrustando ecuaciones diferenciales directamente en su cerebro.

4.1 Incrustar las ecuaciones gobernantes en la función de pérdida

En una red neuronal estándar, el objetivo del entrenamiento es minimizar el error entre la predicción y los datos de verdad de terreno ($\mathcal{L}_{data}$). En una PINN, añadimos un residuo de física

($\mathcal{L}_{PDE}$) a la función de pérdida. ¹⁴

Considere la ecuación de viga de Euler-Bernoulli que gobierna el balcón:

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

Donde $w$ es la flecha y $q(x)$ es la carga. Al entrenar el modelo de Veriprajna, la función de pérdida se define como:

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

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

Aquí, $\hat{w}$ es la flecha predicha por la red. Usamos diferenciación automática para calcular las derivadas de la predicción de forma exacta. Si la red predice una forma de flecha que viola las leyes del equilibrio estático, el término $\mathcal{L}_{PDE}$ se dispara, forzando a la red a corregirse. ¹⁴

4.2 Caso de estudio: el puente de espagueti y más allá

La eficacia de este enfoque se ha demostrado en experimentos recientes, como la predicción de la capacidad de carga de puentes de espagueti. ¹⁴ Se usó una Physics-Informed Kolmogorov Arnold Network (PIKAN) para predecir la carga de fallo. Al integrar las restricciones físicas de la geometría del puente y los límites del material, el modelo pudo predecir con exactitud los límites de peso incluso con datos escasos.

En escenarios más complejos, como puentes ferroviarios bajo cargas dinámicas, las PINN se han usado con éxito para identificar líneas de influencia y predecir respuestas estructurales donde los modelos de ML tradicionales de datos puros no lograron converger. ¹⁵ La PINN actúa como un regularizador, asegurando que la «imaginación» de la IA nunca viole las leyes de Newton.

4.3 DeepONet informados por la física con estructura de grafo

Veriprajna aprovecha la vanguardia de este campo: el Graph-Structured Physics-Informed DeepONet (GS-PI-DeepONet) . ¹⁷

●​ DeepONet (Deep Operator Network): Una red neuronal diseñada para aprender operadores (mapeos entre espacios de funciones de dimensión infinita) en lugar de solo funciones. Puede aprender el operador que mapea una «función de distribución de cargas» a una «función de flecha».

●​ Estructurado en grafo: Aplica este aprendizaje de operadores sobre grafos no estructurados (mallas), lo que le permite manejar geometrías de edificio complejas e irregulares que las CNN estándar no pueden tocar.

Esta arquitectura ha mostrado aceleraciones de 7–8x frente a los solvers tradicionales de método de elementos finitos (FEM) al tiempo que mantiene $R^2$ valores de exactitud de hasta 0.9999 . ¹⁷ Esto significa que Veriprajna ofrece la velocidad de la IA con la precisión del FEM.

5. Seguimiento automatizado del camino de carga: la «columna vertebral» de la estructura

En el ejemplo del «balcón», el fallo crítico suele ser una discontinuidad en el camino de carga: la carga se aplica al voladizo, pero no hay tramo posterior ni conexión de momento para transferirla al pilar. Un LLM ve píxeles; Veriprajna ve el camino de carga principal .

5.1 Búsqueda de caminos basada en matrices para la resiliencia

Veriprajna emplea algoritmos rigurosos de teoría de grafos para trazar caminos de carga. La estructura se representa como una matriz de adyacencia $A$.

●​ Análisis de conectividad: Al elevar la matriz de adyacencia a potencias ($A^n$), podemos identificar todos los caminos de longitud $n$ entre el punto de aplicación de la carga y la cimentación. ¹⁸

●​ Enumeración exhaustiva de caminos: Utilizamos un buscador exhaustivo basado en matrices que identifica todos los caminos viables de transferencia de carga. Esto nos permite cuantificar la redundancia de la estructura. Si solo existe un camino (un sistema estáticamente determinado), la estructura tiene redundancia cero y un riesgo alto. ¹⁹

5.2 El índice U: visualizar la transferencia de carga*

Para ofrecer a los ingenieros perspectivas intuitivas, calculamos el índice U *, una métrica que expresa la transferencia interna de energía de deformación y la rigidez relativa entre puntos. ²⁰

●​ Camino de carga principal (PLP): Definido como la «línea de cresta» de las isolíneas U*: la ruta más rígida a través de la estructura.

●​ Visualización de líneas de corriente: Con el algoritmo Runge-Kutta (RK4), podemos integrar el gradiente del índice U* para dibujar «líneas de corriente» de fuerza. ²⁰

Esto genera una visualización en la que se ilumina la «columna vertebral» del edificio. Si el balcón es seguro, la línea de corriente del PLP conectará de forma continua desde la barandilla hasta el pilar. Si es inseguro (p. ej., un voladizo «flotante»), la línea de corriente terminará de forma abrupta o mostrará una divergencia masiva en la energía de deformación. Este es un diagnóstico visual derivado de las matemáticas, no una alucinación visual derivada de imágenes de entrenamiento.

5.3 Propagación de fallos y conjuntos de corte

Los métodos actuales de teoría de grafos también nos permiten modelar el colapso progresivo. Al eliminar de forma sistemática nodos (simulando el fallo de un pilar) y reevaluar la conectividad del grafo (usando medidas como la centralidad de intermediación o la eficiencia), podemos identificar conjuntos de corte: agrupaciones críticas de componentes cuyo fallo divide el grafo en componentes desconectados.21 Esta simulación de «ataque al grafo» es computacionalmente instantánea frente a volver a ejecutar un análisis de colapso FEM no lineal, lo que permite a Veriprajna cribar miles de escenarios de fallo en tiempo real.21

6. Aplicación empresarial: la capa «verificadora»

Para el cliente empresarial —la gran firma de ingeniería, el regulador gubernamental, el promotor inmobiliario— Veriprajna ofrece un modelo de despliegue concreto. No pretendemos sustituir al ingeniero; pretendemos sustituir la incertidumbre de la adopción de IA.

6.1 El flujo «human-in-the-loop»

El futuro del diseño involucra IA generativa, pero requiere una capa verificadora .

1.​ Capa generativa (probabilidad): Los arquitectos usan herramientas como Midjourney o MLLM para generar conceptos creativos («Muéstrame un balcón en voladizo con una barandilla paramétrica»). Este es el dominio de la probabilidad.

2.​ Capa Veriprajna (determinismo):

○​ El concepto se analiza en un grafo BIM .

○​ Comprobación topológica: ¿Está conectado el grafo? (algoritmos DFS/BFS).

○​ Comprobación del camino de carga: ¿El camino de carga principal llega a la cimentación? (índice U*).

○​ Comprobación de física: ¿Las tensiones predichas por la PINN satisfacen $\sigma < f_y$? (pérdida PDE).

3.​ Retroalimentación: Si la comprobación de física falla, Veriprajna devuelve una restricción dura al modelo generativo («Aumente el canto de la viga en 200mm» o «Añada una conexión de tramo posterior»), forzando una regeneración que sea físicamente válida. ⁵

6.2 Eficiencia de datos y seguridad

Una ventaja mayor del enfoque GNN/PINN es la eficiencia de datos . Los LLM requieren petabytes de datos de entrenamiento (todo internet) para aprender una «atmósfera» de cómo se ve un edificio. Las PINN, al estar restringidas por ecuaciones de la física, pueden entrenarse con datos pequeños . ¹⁴

●​ Generalización: Una GNN entrenada con un conjunto de pórticos de acero generaliza bien a pórticos de acero nuevos porque la física subyacente (la ley de Hooke) no cambia.

●​ Privacidad: Como los modelos son más pequeños y especializados, pueden desplegarse en las instalaciones . Los clientes no necesitan enviar propiedad intelectual sensible (planos de centrales nucleares o centros de datos) a una API pública como OpenAI. El «motor de física» vive en su servidor.

6.3 Explicabilidad: la «caja de cristal»

Como las Graph Neural Networks operan sobre nodos que mapean 1:1 a objetos físicos, son inherentemente interpretables.

●​ Pesos de atención: Podemos visualizar los pesos de atención de la GNN para ver exactamente qué vecinos influyeron en la predicción de fallo de un nodo.

●​ Trazabilidad: «El pilar falló porque la carga transferida desde la viga A y la viga B superó la capacidad.» ​

Esta es la caja de cristal de la IA, en contraste nítido con la «caja negra» de los LLM, donde el razonamiento queda oculto en miles de millones de parámetros ininterpretables.23

7. Análisis comparativo: la ventaja de Veriprajna

Capacidad	LLM multimodal estándar	Veriprajna (GDL/PINN)
Operación central	Predicción del siguiente token	Paso de mensajes (transferencia de fuerza)
Ventana de contexto	Tokens limitados (olvidadizo)	Conectividad infinita del grafo
Garantía de seguridad	«Parece seguro» (Alucinación)	«El residuo de física es aproximadamente 0» (verificado)
Trazado de caminos de carga	Estimación visual (conjetura)	Recorrido del grafo (algoritmo)
Manejo de restricciones	Blandas (a menudo ignoradas)	Duras (EDP en la función de pérdida)
Interpretabilidad	Caja negra	Caja de cristal (atención a nivel de nodo)
Datos de entrenamiento	Internet (sesgados/ruidosos)	Ecuaciones de la física + datos estructurados

8. Conclusión: el fundamento de las matemáticas

La industria de la construcción es única. En software, un «bug» es una molestia. En nuestra industria, un «bug» es una tragedia. El ciclo de hype en torno a la IA generativa ha oscurecido esta distinción fundamental, prometiendo un futuro en el que la IA «imagine» nuestras ciudades.

Veriprajna rechaza la premisa de que la ingeniería deba ser imaginativa en su verificación. Afirmamos que la verificación de ingeniería debe ser determinista . La «paradoja del balcón» se resuelve no entrenando un mejor reconocedor de imágenes, sino abandonando la imagen por completo en favor del grafo.

●​ ChatGPT dice que el balcón es seguro porque ha visto miles de fotos de balcones, y en esas fotos los píxeles del suelo suelen permanecer por encima de los píxeles del terreno.

●​ La física dice que el balcón se derrumbará porque el momento flector en el extremo empotrado supera la capacidad a momento de la sección ($\sum M > M_{cap}$).

Veriprajna es la plataforma que le permite escuchar a la física. Construimos sobre el fundamento de la teoría de grafos, el Geometric Deep Learning y las ecuaciones diferenciales. No adivinamos píxeles. Calculamos cargas.

¿Está construyendo sobre un fundamento de matemáticas o de probabilidad?

Datos de investigación y citas

●​ Limitaciones de los LLM: ³ (fallos de razonamiento estructural de DSR-Bench) ⁴ (fallo de verificación de requisitos de DesignQA) ¹ (asociaciones de parches de ViT frente a topología) ⁵ (benchmarks de IA generativa de Autodesk) ² (arquitectura ViT).

●​ Fundamentos de Geometric Deep Learning: ⁶ (definición de GDL) ⁹ (notación y matemáticas de GNN) ⁷ (euclidiano frente a no euclidiano) ²⁵ (generalización de GNN) ⁸ (Altair PhysicsAI y GDL).

●​ Pipeline de datos: ¹⁰ (representación en grafo BIM) ¹³ (embeddings semánticos y ANN) ¹² (IFC-to-BIMGraph) ²⁶ (GraphRAG y ontologías).

●​ Physics-Informed Neural Networks: ¹⁴ (PINN para peso de puentes/PIKAN) ¹⁵ (revisión de PINN y puentes ferroviarios) ¹⁷ (DeepONet con estructura de grafo) ¹⁶ (PINN para pórticos).

●​ Camino de carga y resiliencia: ¹⁹ (búsqueda de caminos matricial) ²¹ (teoría de grafos para fallos de tuberías) ¹⁸ (potencias de la matriz de adyacencia) ²⁰ (índice U* y caminos de carga) ²⁰ (visualización del camino de carga principal).

●​ Contexto general: ²⁷ (retos de los dibujos generativos) ²⁸ (ética y sesgo de la IA) ²² (modelos generativos frente a no generativos).

Obras citadas

1. Vision Transformers provably learn spatial structure, consultado el 12 de diciembre de 2025, https://proceedings.neurips.cc/paper_files/paper/2022/file/f69707de866eb0805683d3521756b73f-Paper-Conference.pdf

2. Vision Transformers (ViT) Tutorial: Architecture and Code Examples - DataCamp, consultado el 12 de diciembre de 2025, https://www.datacamp.com/tutorial/vision-transformers

3. Can LLMs Reason Structurally? An Evaluation via the Lens of Data ..., consultado el 12 de diciembre de 2025, https://arxiv.org/pdf/2505.24069

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

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

6. Geometric Deep Learning — AI Search Algorithms for Smart Mobility, consultado el 12 de diciembre de 2025, https://smartmobilityalgorithms.github.io/book/content/LearnToSearch/GeometricDeepLearning.html

7. A gentle introduction to Geometric Deep Learning - dataroots, consultado el 12 de diciembre de 2025, https://dataroots.io/blog/a-gentle-introduction-to-geometric

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

9. AIDA-01-Intro to geometric deep learning, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://arxiv.org/html/2510.25683v1

12. graph representation learning: embedding ... - mediaTUM, consultado el 12 de diciembre de 2025, https://mediatum.ub.tum.de/doc/1780983/hag373op3y69o9fnb4r9h3ecu.GRL_EC3_camera_ready.pdf

13. Automatic generation of Structural models from BIM models using ..., consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 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, consultado el 12 de diciembre de 2025, https://www.mdpi.com/2673-3161/6/4/84

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

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

19. Graph-Theoretic Pathfinding for Infrastructure Robustness and ..., consultado el 12 de diciembre de 2025, https://www.jsofcivil.com/article_233020_bc0a15e4051015c95980e439af441832.tpdf

20. load path visualization using u* index and - CORE, consultado el 12 de diciembre de 2025, https://core.ac.uk/download/pdf/524099241.pdf

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

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

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