Por qué los LLM adivinan píxeles mientras los grafos informados por la física calculan cargas
La industria AEC enfrenta una elección crítica: IA probabilística basada en píxeles que alucina seguridad, o IA determinista basada en la estructura que calcula cargas mediante la física. Un balcón no se mantiene en pie porque un LLM diga que es «robusto»; solo se mantiene en pie si la trayectoria de carga satisface las ecuaciones diferenciales del equilibrio.
El marco de Geometric Deep Learning de Veriprajna convierte los planos en grafos matemáticos donde los nodos son elementos estructurales y las aristas son trayectorias de carga. Al incrustar ecuaciones físicas directamente en las funciones de pérdida de las redes neuronales, pasamos de la conjetura probabilística al cálculo determinista.
El fallo fundamental de aplicar los LLM a la seguridad estructural
«La estructura del balcón parece sólida. La barandilla está presente y la superficie del suelo parece robusta. El diseño sigue patrones arquitectónicos estándar vistos en miles de imágenes de balcones.»
FALLO CRÍTICO DETECTADO
Discontinuidad de la trayectoria de carga en la conexión en voladizo
«Un balcón no se mantiene en pie porque una descripción textual diga que es «robusto», ni resiste la gravedad porque un análisis basado en píxeles identifique visualmente la presencia de una barandilla. Solo se mantiene en pie si la trayectoria de carga es continua, la distribución de tensiones permanece dentro del límite elástico de los materiales y la topología de la estructura satisface las ecuaciones diferenciales de equilibrio que gobiernan el sistema.»
— Whitepaper técnico de Veriprajna, Resumen ejecutivo
El modo de fallo central: son motores probabilísticos diseñados para predecir tokens, no motores lógicos diseñados para resolver restricciones físicas.
Los Vision Transformers dividen las imágenes en parches de 16×16 píxeles. Aprenden «asociaciones de parches» —correlaciones estadísticas entre grupos de píxeles—, no una verdadera topología espacial.
Cuando los píxeles se barajan, los ViT mantienen una alta precisión, lo que demuestra que no dependen de la estructura espacial. En ingeniería, la estructura espacial lo es todo.
Se evaluaron 10 LLM de vanguardia en 4,140 problemas de razonamiento estructural. La mejor puntuación: 0.498/1.0—precisión de cara o cruz.
El rendimiento se degrada cuando los problemas se describen en lenguaje natural frente a código formal: los LLM se apoyan en patrones memorizados de GitHub, no en razonamiento.
Los MLLM podían resumir códigos de construcción con fluidez, pero fallaban al aplicar restricciones cuantitativas a los artefactos de diseño.
Sesgo hacia materiales exóticos: los LLM sugieren titanio/fibra de carbono incluso cuando el contexto exige soluciones rentables, optimizando por lo que «suena tecnológico» en lugar de lo contextualmente correcto.
| Característica | Vision Transformer (LLM) | Realidad de la ingeniería |
|---|---|---|
| Unidad de entrada | Parche de píxeles (cuadrícula 16×16) | Elemento estructural (viga, columna) |
| 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) |
Los LLM ven los planos como cuadrículas de píxeles. Si una viga negra aparece sobre un fondo negro, literalmente no pueden verla. Peor aún: podrían «ver» conexiones que no existen porque píxeles adyacentes activan pesos de atención.
Analizamos directamente el esquema IFC/BIM. Los nodos representan elementos físicos con propiedades de material (E, I, f_y). Las aristas representan relaciones de transferencia de carga definidas por el esquema, no adivinadas a partir de píxeles.
Para trascender la conjetura de píxeles, Veriprajna se apoya en el Geometric Deep Learning, que generaliza las redes neuronales a dominios no euclidianos (grafos y variedades).
Las CNN estándar operan en cuadrículas euclidianas donde cada píxel tiene exactamente 8 vecinos. Las estructuras son inherentemente no euclidianas:
En Veriprajna, un edificio se formaliza como G = (V, E):
A diferencia de los píxeles (valores RGB), los nodos contienen parámetros físicos reales: módulo de Young, momento de inercia, límite elástico: los valores necesarios para el cálculo.
Calcula la fuerza/momento transferidos desde el vecino u al nodo v según las propiedades de la arista (rigidez de la conexión, orientación).
Suma todas las fuerzas que actúan sobre el nodo v desde todos los elementos conectados, imitando las ecuaciones de equilibrio ∑F.
Calcula el nuevo estado (desplazamiento, tensión) del nodo v según la fuerza total entrante, aplicando la ley de Hooke.
Al apilar k capas, una GNN de 10 capas propaga información a 10 saltos de distancia: una carga en la cubierta influye matemáticamente en la cimentación—una simulación de la trayectoria de carga, aprendible y diferenciable.
El convertidor IFC-to-BIMGraph analiza el esquema IFC. Identifica IfcRelConnectsElements (conexiones físicas) y los mapea a aristas con fidelidad del 100%—sin conjeturas.
Fusiona la información semántica («IPE 300 Steel») y la geométrica (malla 3D vía PointNet) en vectores de nodo. El modelo entiende que IPE 300 ≈ HEB 300, pero difiere en capacidad.
La GNN predice parámetros de rigidez (EI, EA) y genera automáticamente archivos de entrada FE para OpenSees/SAP2000, automatizando la preparación del descenso de cargas.
No le pedimos a la IA que aprenda física a partir de los datos. Nosotros le enseñamos física a la IA incrustando ecuaciones diferenciales directamente en la función de pérdida.
Considere la ecuación de viga de Euler-Bernoulli que rige la deflexión de un balcón:
La función de pérdida total se convierte en:
Usando Diferenciación Automática, calculamos las derivadas de la predicción de la red de forma exacta. Si la deflexión predicha viola el equilibrio, L_PDE se dispara, forzando la corrección.
Una Physics-Informed Kolmogorov Arnold Network (PIKAN) predijo las cargas de fallo con datos escasos al integrar restricciones de geometría y de límite del material.
Las PINN identificaron líneas de influencia bajo cargas dinámicas donde el ML basado puramente en datos no lograba converger. La física actúa como regularizador—la imaginación de la IA nunca viola las leyes de Newton.
Veriprajna aprovecha los Graph-Structured Physics-Informed Deep Operator Networks: aprende operadores (mapeos entre espacios de funciones de dimensión infinita) sobre grafos no estructurados.
Un LLM ve píxeles. Veriprajna ve la Trayectoria de Carga Principal, trazada rigurosamente mediante algoritmos de teoría de grafos.
La estructura se representa como matriz de adyacencia A. Elevando A a potencias (A^n), identificamos todos los caminos de longitud n entre la carga y la cimentación.
Calcule el índice U*, la métrica de transferencia de energía de deformación interna. La Trayectoria de Carga Principal se define como la «línea de cresta» de las curvas de nivel de U* (la ruta más rígida).
Elimine nodos sistemáticamente (simule el fallo de una columna) y reevalúe la conectividad del grafo usando la centralidad de intermediación. Identifique conjuntos de corte al instante.
Veriprajna no reemplaza a los ingenieros: reemplazamos la incertidumbre de adoptar IA con una capa de verificación determinista.
Los arquitectos usan Midjourney/MLLM para generar conceptos creativos: «Muéstrame un balcón en voladizo con barandilla paramétrica»
Si la física falla, devuelva una restricción estricta: «Aumente el canto de la viga en 200 mm» o «Añada una conexión de tramo posterior»—fuerce la regeneración
Las PINN se entrenan con Pocos Datos porque las restricciones físicas reducen el espacio de búsqueda. Los LLM necesitan petabytes para aprender «vibes».
Las GNN se corresponden 1:1 con objetos físicos. Podemos visualizar los pesos de atención y rastrear exactamente por qué se tomaron las predicciones.
Contraste con la «caja negra» del LLM, donde el razonamiento queda oculto en miles de millones de parámetros ininterpretables.
| Capacidad | LLM multimodal estándar | Veriprajna (GDL/PINN) |
|---|---|---|
| Operación central | Predicción del siguiente token | Message Passing (transferencia de fuerzas) |
| Ventana de contexto | Tokens limitados (olvidadizos) | Conectividad de grafo infinita |
| Garantía de seguridad | «Parece seguro» (alucinación) | «Residuo físico ≈ 0» (verificado) |
| Trazado de trayectoria de carga | Estimación visual (conjetura) | Recorrido del grafo (algoritmo) |
| Manejo de restricciones | Blanda (a menudo ignorada) | Estricta (EDP en la función de pérdida) |
| Interpretabilidad | Caja negra | Caja de cristal (atención a nivel de nodo) |
| Datos de entrenamiento | Internet (sesgada/ruidosa) | Ecuaciones físicas + datos estructurados |
| Precisión (razonamiento estructural) | 49.8% (DSR-Bench) | R² = 0.9999 |
| Despliegue | API en la nube (riesgo de privacidad) | On-premise (seguro) |
La industria de la construcción es única. En el software, un «bug» es una molestia. En nuestra industria, un «bug» es una tragedia. El ciclo de expectativas en torno a la IA Generativa ha oscurecido esta distinción fundamental.
«El balcón es seguro porque ha visto miles de fotos de balcones y, en esas fotos, los píxeles del suelo suelen quedar por encima de los píxeles del terreno.»
«El balcón colapsará porque el momento flector en el extremo empotrado supera la capacidad de momento de la sección: ∑M > M_cap»
Veriprajna es la plataforma que le permite escuchar a la Física.
Construimos sobre los cimientos de la Teoría de Grafos, el Geometric Deep Learning y las Ecuaciones Diferenciales. No adivinamos píxeles. Calculamos cargas.
Los Vision Transformers dividen los planos en parches de píxeles de 16x16 y aprenden correlaciones estadísticas, no causalidad física. Las pruebas de DSR-Bench con 10 LLM de vanguardia sobre 4,140 problemas de razonamiento estructural mostraron que la puntuación más alta fue de solo 0.498 sobre 1.0, una precisión de cara o cruz. No pueden realizar razonamiento multi-salto, satisfacer restricciones ni detectar las discontinuidades de la trayectoria de carga que causan fallos estructurales.
Las PINN incrustan ecuaciones diferenciales gobernantes, como la ecuación de viga de Euler-Bernoulli, directamente en la función de pérdida. Mediante la Diferenciación Automática, la deflexión predicha por la red se comprueba contra las ecuaciones de equilibrio. Si la predicción viola la física, el término de pérdida de la EDP se dispara y fuerza la corrección, logrando una precisión de R cuadrado de 0.9999 a una velocidad 7-8x mayor que la de los solucionadores FEM tradicionales.
El pipeline IFC-to-BIMGraph de Veriprajna analiza directamente el esquema IFC, extrayendo relaciones IfcRelConnectsElements para crear aristas de grafo con una fidelidad de conectividad del 100%. Los nodos representan elementos estructurales con propiedades físicas como el módulo de Young, el momento de inercia y el límite elástico. Los embeddings multimodales fusionan datos semánticos y geométricos en vectores de nodo para el procesamiento por GNN.
Veriprajna ofrece despliegue empresarial, entrenamiento de modelos personalizados con sus datos BIM e integración con pipelines CAD/BIM existentes.
Informe técnico completo con 28 citas revisadas por pares: arquitectura de hardware, Message Passing Neural Networks, matemáticas de las PINN, benchmarks de rendimiento de Graph-Structured DeepONet y especificaciones del pipeline IFC-to-BIMGraph.