Le fossé déterministe : pourquoi les LLM devinent des pixels tandis que les graphes informés par la physique calculent les charges

Synthèse : le paradoxe du balcon

L'industrie de l'architecture, de l'ingénierie et de la construction (AEC) se tient actuellement au bord d'un schisme technologique, qui définira le profil de sécurité de notre environnement bâti pour le siècle à venir. D'un côté se trouve la promesse séduisante de l'IA générative — les grands modèles de langage (LLM) et les grands modèles de langage multimodaux (MLLM) qui peuvent apparemment « lire » des plans, générer des concepts de conception et discourir des codes du bâtiment avec une fluidité quasi humaine. De l'autre côté se trouve la réalité rigoureuse et immuable de la physique. Un balcon ne tient pas parce qu'une description textuelle le dit « robuste », pas plus qu'il ne résiste à la gravité parce qu'une analyse fondée sur les pixels identifie la présence visuelle d'un garde-corps. Il ne tient que si le chemin de charge est continu, si la distribution des contraintes reste dans le domaine élastique des matériaux, et si la topologie de la structure satisfait les équations différentielles gouvernantes de l'équilibre.

Ce livre blanc, préparé pour Veriprajna, examine la divergence fondamentale entre l'IA probabiliste fondée sur les pixels (la vague actuelle d'IA générative) et l'IA déterministe fondée sur la structure (l'approche de Veriprajna utilisant l'apprentissage profond géométrique). Nous explorons la faiblesse fondatrice de l'application d'architectures neuronales euclidiennes — telles que les Vision Transformers — à la réalité non euclidienne de l'ingénierie structurelle. Nous démontrons par une analyse rigoureuse de benchmarks récents pourquoi les LLM multimodaux, malgré leur maîtrise linguistique, sont sujets à des hallucinations dangereuses lorsqu'ils sont chargés d'un raisonnement structurel. Ils voient un plan comme une collection de pixels à prédire ; ils ne calculent pas les charges que ces pixels représentent.

En contrepoint, nous présentons un cadre complet pour l'apprentissage profond géométrique (GDL) et les réseaux de neurones informés par la physique (PINN) . Cette approche convertit les schémas d'ingénierie non en jetons, mais en graphes mathématiques où les nœuds agissent comme des éléments structurels et les arêtes fonctionnent comme des chemins de charge. En intégrant les lois de la physique directement dans les fonctions de perte du réseau de neurones, nous passons du devinement probabiliste « Est-ce sûr ? » au calcul déterministe « Cela tiendra-t-il ? »

L'industrie fait face à une question critique, à laquelle Veriprajna répond avec une certitude mathématique : Bâtissez-vous sur une fondation de mathématiques, ou de probabilité ?

1. L'hallucination de la sécurité : pourquoi les LLM multimodaux échouent au raisonnement structurel

La prolifération rapide des grands modèles de langage a conduit à une dangereuse confusion entre la plausibilité et l'exactitude . Dans le domaine de l'écriture créative ou des textes marketing, une réponse plausible est souvent suffisante. En ingénierie structurelle, une réponse plausible mais incorrecte est catastrophique. Le mode de défaillance central du déploiement des LLM pour l'analyse structurelle réside dans leur architecture : ce sont des moteurs probabilistes conçus pour prédire le jeton ou le pixel suivant, et non des moteurs logiques conçus pour résoudre des contraintes physiques.

1.1 Le piège fondé sur les pixels : les Vision Transformers et l'illusion de la compréhension

Lorsqu'un LLM multimodal, tel que GPT-4V ou Gemini, « voit » un plan structurel, il ne perçoit pas des poutres, des poteaux ou des chemins de charge. Il emploie une architecture Vision Transformer (ViT) pour traiter l'image. Le ViT divise l'image en une séquence de patches de taille fixe (p. ex. $16 \times 16$ pixels), les aplatit en vecteurs, et les traite pour minimiser une perte. ¹

De façon cruciale, des recherches théoriques récentes révèlent que les ViT minimisent cette perte en apprenant des « associations de patches » — des corrélations statistiques entre des grappes de pixels — plutôt que la véritable topologie spatiale. ¹ Le modèle peut apprendre qu'un patch contenant une ligne verticale (un poteau) est statistiquement susceptible d'être adjacent à un patch contenant une ligne horizontale (une poutre). Cependant, il s'agit d'une corrélation, et non d'une compréhension causale. Le modèle ne comprend pas que la ligne horizontale est portée par la ligne verticale. Si la ligne verticale est retirée, la distribution probabiliste du modèle peut se déplacer légèrement, mais il n'a aucun moteur physique interne pour lui indiquer que la ligne horizontale doit désormais tomber.

Cette approche en « sac de patches » explique pourquoi les LLM peinent au raisonnement spatial précis. Dans des expériences où les pixels ou patches d'image sont permutés (brouillés), les ViT conservent souvent une haute précision de classification, prouvant qu'ils ne s'appuient pas sur la structure spatiale stricte de l'objet mais sur la présence de textures et de motifs locaux. ¹ En ingénierie, toutefois, la structure spatiale est tout. Un détail de connexion « à peu près là » mais auquel manque une continuité critique du chemin de charge n'est pas sûr à 90 % ; il est dangereux à 100 %. En traitant les plans comme des pixels, les LLM manquent fondamentalement le caractère binaire de la stabilité structurelle.

Caractéristique	Vision Transformer (LLM)	Réalité de l'ingénierie
Unité d'entrée	Patch de pixels ($16 \times 16$ grille)	Élément structurel (poutre, poteau)

Relation	Corrélation statistique (Attention)	Causalité physique (transfert de charge)
Compréhension spatiale	Plongement positionnel (appris)	Connectivité topologique (absolue)
Mode de défaillance	Hallucination (a l'air sûr)	Effondrement (est dangereux)
Domaine de données	Euclidien (de type grille)	Non euclidien (de type graphe)

1.2 Le verdict DSR-Bench : quantifier l'écart de raisonnement

L'hypothèse selon laquelle les LLM peinent au raisonnement structurel n'est pas seulement théorique ; elle a été validée empiriquement. Le DSR-Bench (Data Structure Reasoning Benchmark) a récemment évalué les capacités de raisonnement algorithmique de dix LLM de pointe sur 35 opérations et 4,140 instances de problèmes générées synthétiquement. ³ Les résultats étaient accablants pour tout partisan d'une ingénierie fondée sur les LLM.

Le benchmark était conçu pour tester le « raisonnement structurel » — la capacité à comprendre et manipuler des relations complexes entre entités, un proxy direct pour comprendre le l'ossature d'un bâtiment.

●​ Plafond de performance : le modèle frontière le plus performant n'a atteint qu'un score de 0.498 sur 1.0 sur des instances difficiles impliquant des structures hybrides et compositionnelles. ³

●​ Modes de défaillance : les modèles ont affiché des faiblesses critiques en raisonnement multi-sauts (suivre une relation à travers plusieurs nœuds intermédiaires) et en satisfaction de contraintes (respect de règles strictes définies par l'utilisateur).

●​ Incompétence spatiale : sur les tâches de données spatiales — qui imitent la nature multidimensionnelle des structures physiques réelles — la performance a chuté significativement à mesure que la dimensionalité augmentait. ³

Plus alarmant encore, l'étude a montré que la performance du modèle se dégrade lorsque les problèmes sont décrits en « langage naturel » plutôt qu'en code formel. Cela suggère que les LLM s'appuient sur l'appariement de motifs de structures syntaxiques spécifiques (mémorisées à partir de données d'entraînement comme GitHub) plutôt que de s'engager dans un véritable raisonnement. Lorsqu'un ingénieur décrit un problème structurel unique et non standard en langage courant, le LLM est contraint de quitter ses motifs mémorisés et d'entrer dans un mode de raisonnement où il échoue statistiquement 50 % du temps. ³

1.3 La preuve DesignQA : incapacité à vérifier les exigences

D'autres preuves viennent de DesignQA, un benchmark spécifiquement construit pour évaluer les MLLM dans des contextes de conception d'ingénierie. ⁴ Cette étude s'est concentrée sur la capacité des modèles à extraire des exigences techniques de la documentation et à les appliquer à des artefacts de conception.

Les résultats ont renforcé « l'illusion de compétence ». Alors que les MLLM pouvaient résumer avec fluidité le texte d'un code du bâtiment ou d'une norme d'ingénierie, ils échouaient à appliquer avec exactitude ces contraintes quantitatives au visuel de conception.

●​ Extraction vs application : les modèles pouvaient répondre « Quelle est la flèche maximale autorisée ? » (extraction) mais échouaient à répondre « Cette conception de poutre spécifique respecte-t-elle la flèche maximale autorisée ? » (application). ⁴

●​ Biais exotique : des recherches sur la sélection des matériaux ont montré que les LLM présentaient un fort biais en faveur de matériaux « exotiques » ou haute performance (comme le titane ou la fibre de carbone) même lorsque le contexte exigeait des solutions économiques, simplement parce que ces matériaux apparaissent fréquemment dans le corpus d'entraînement « high-tech ». ⁵

Ce biais vers des réponses « au son optimal » mais contextuellement fausses met en lumière le risque d'hallucination. Un LLM examinant la conception d'un balcon pourrait suggérer un garde-corps en alliage à haute résistance — d'un ton très professionnel — tout en omettant de remarquer que la dalle en béton en porte-à-faux est dépourvue d'armature supérieure, la véritable cause de l'effondrement théorique.

1.4 Le « perroquet stochastique » dans un monde déterministe

Le problème fondamental est le décalage des domaines. L'ingénierie structurelle est un champ déterministe régi par les lois de la physique. Si $\sum F_y \neq 0$, la structure accélère. Il n'y a aucune probabilité en jeu. Les LLM sont des moteurs stochastiques. Ils génèrent du texte d'après la distribution de probabilité du jeton suivant.

Lorsque nous demandons à un LLM « Ce balcon est-il sûr ? », il ne calcule pas un moment d'inertie. Il prédit les jetons qui suivent typiquement cette question dans ses données d'entraînement. Si ses données d'entraînement contiennent des milliers de rapports d'inspection de sécurité qui concluent « la structure paraît saine », le LLM est statistiquement biaisé à produire une réassurance similaire, indépendamment de la preuve visuelle dans le patch de pixels spécifique qu'il analyse. Il devine d'après le « ressenti » des pixels, et non d'après le calcul des charges.

2. Apprentissage profond géométrique : le fondement mathématique de Veriprajna

Pour dépasser les limites du devinement de pixels, Veriprajna s'appuie sur l'apprentissage profond géométrique (GDL) . Ce domaine de l'intelligence artificielle généralise les réseaux de neurones aux domaines non euclidiens, spécifiquement les graphes et les variétés. ⁶ Dans notre cadre, un bâtiment n'est pas une image ; c'est un graphe .

2.1 La réalité non euclidienne des structures

L'apprentissage profond standard (CNN) opère sur des données euclidiennes . Les images sont des grilles 2D ; l'audio est une grille 1D (le temps). Dans l'espace euclidien, le concept de « direction » et de « voisin » est fixe. Un pixel en $(x,y)$ a toujours exactement 8 voisins (sauf au bord), et le déplacement de $(x,y)$ à $(x+1, y)$ est uniforme partout. ⁷

Les structures sont intrinsèquement non euclidiennes .

●​ Topologie irrégulière : un nœud d'acier dans un treillis peut se connecter à 3 barres ; un nœud dans une diagrid complexe peut se connecter à 8. Il n'y a pas de « grille » fixe.

●​ Pas d'orientation fixe : une poutre est définie par sa connectivité, non par sa position dans un bitmap.

Faire tourner un plan de 90 degrés change chaque valeur de pixel, brisant un CNN standard, mais le graphe sous-jacent (les connexions entre éléments) reste invariant. ⁷

Veriprajna utilise les réseaux de neurones de graphes (GNN) parce qu'ils sont mathématiquement conçus pour gérer cette irrégularité. Un GNN n'oblige pas la structure dans une grille ; il accepte la structure comme un ensemble de nœuds ($V$) et d'arêtes ($E$) dans son format topologique natif. ⁶

2.2 Définition mathématique du graphe de bâtiment

Dans le système Veriprajna, un modèle structurel est formalisé comme un graphe $G = (V, E)$.

Nœuds ($V$) : chaque nœud représente un composant structurel physique (poutre, poteau, dalle, mur). Contrairement à un pixel qui ne contient que des données de couleur (RVB), un nœud Veriprajna est un riche conteneur de données portant un vecteur de caractéristiques $\mathbf{x}_v$ :

$$\mathbf{x}_v =$$

Ces caractéristiques capturent le module de Young ($E$), le moment d'inertie ($I$) et la limite d'élasticité ($f_y$) — les paramètres physiques réels requis pour le calcul.10 Arêtes ($E$) : chaque arête représente une connexion ou interaction physique. Une arête $e_{ij}$ existe si l'élément $i$ transfère une charge à l'élément $j$. Le vecteur de caractéristiques d'arête $\mathbf{x}_{e_{ij}}$ capture la rigidité de connexion (encastré vs rotulé) et l'orientation relative.

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

Cette représentation est invariante par permutation . La physique du bâtiment ne change pas si nous réordonnons la liste des poutres dans la base de données. Les GNN respectent cette invariance, alors que les modèles de séquence (comme les Transformers dans les LLM) sont sensibles à l'ordre d'entrée. ⁷

2.3 Convolution de graphe et passage de messages

Le moteur du raisonnement de Veriprajna est le réseau de neurones à passage de messages (MPNN) paradigme. Dans un GNN, l'information circule à travers le graphe de manière analogue à la circulation des forces à travers une structure.

Pour chaque couche $l$ du GNN, l'état d'un nœud $\mathbf{h}_v^{(l)}$ est mis à jour en agrégeant les « messages » de ses voisins $\mathcal{N}(v)$ :

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

●​ $\psi^{(l)}$ : la fonction de message . En termes structurels, cela calcule la force/le moment transféré du voisin $u$ vers le nœud $v$.

●​ $\bigoplus$ : la fonction d'agrégation (p. ex. somme). Cela additionne toutes les forces agissant sur le nœud $v$ depuis tous les éléments connectés.

●​ $\phi^{(l)}$ : la fonction de mise à jour . Cela calcule le nouvel état (p. ex. déplacement ou contrainte) du nœud $v$ d'après la force totale entrante.

En empilant $k$ couches de GNN, le réseau propage l'information $k$-sauts plus loin. Un GNN à 10 couches permet à une charge appliquée sur le toit (nœud A) d'influencer mathématiquement l'état des fondations (nœud Z), mimant la distribution globale du chemin de charge de la structure physique réelle. ⁶

Ce n'est pas une estimation visuelle. C'est une simulation différentiable et apprenable du chemin de charge.

3. Du BIM au graphe : le pipeline de données Veriprajna

La transition d'un modèle BIM statique ou d'un plan 2D vers un graphe de calcul dynamique est le différenciateur technique central de Veriprajna. Alors que les LLM tentent de lire « l'image » du plan, notre pipeline extrait la « logique » du schéma.

3.1 Apprentissage de représentations de graphes pour le BIM

Les données de modélisation des informations du bâtiment (BIM), généralement au format IFC, contiennent l'information nécessaire mais dans un format hiérarchique orienté objet inadapté à l'apprentissage automatique direct. Veriprajna emploie un flux d'apprentissage de représentations de graphes pour transformer ces données. ¹⁰

Étape 1 : extraction topologique Nous utilisons un convertisseur IFC-to-BIMGraph qui analyse le schéma IFC. Il identifie des relations telles que IfcRelConnectsElements (connexion physique) et IfcRelContainedInSpatialStructure (hiérarchie spatiale). Ces relations sont directement mappées vers les arêtes de notre graphe. Contrairement aux LLM qui peinent à « voir » si deux lignes se touchent, le schéma IFC définit cette connectivité explicitement, et notre analyseur la capture avec une fidélité de 100 %.12

Étape 2 : plongement multimodal des nœuds Un élément structurel a à la fois des descriptions sémantiques (« poutre en acier IPE 300 ») et des propriétés géométriques (le maillage 3D). Nous fusionnons ces modalités dans le vecteur de caractéristiques du nœud 10 :

●​ Plongement sémantique : nous utilisons des modèles de plongement de texte de grande taille (ou des ontologies spécialisées comme pyRDF2Vec) pour convertir les métadonnées textuelles en vecteurs de haute dimension. Cela permet au modèle de comprendre mathématiquement que « IPE 300 » et « HEB 300 » sont similaires (tous deux des profilés d'acier) mais distincts en capacité. ¹³

●​ Plongement géométrique : nous employons des encodeurs de nuages de points (tels que PointNet) pour encoder la géométrie 3D de l'élément dans un vecteur. Cela capture des formes complexes que le texte ne peut décrire.

Étape 3 : réduction de dimensionnalité Pour garantir un traitement efficace, nous appliquons des algorithmes comme t-SNE (t-distributed Stochastic Neighbor Embedding) pour réduire les vecteurs de caractéristiques de haute dimension en une représentation compacte qui retient la variance critique sans surapprentissage.¹³

3.2 Génération automatisée de modèles structurels

Le résultat ultime de ce pipeline n'est pas une description textuelle, mais un fichier d'entrée pour l'analyse structurelle. La recherche a démontré que les GNN peuvent être entraînés par apprentissage supervisé pour mapper les entités BIM directement vers des paramètres d'éléments finis (EF). ¹³

●​ Prédiction : le GNN prédit les paramètres de rigidité nécessaires ($EI, EA$) pour chaque nœud d'après ses plongements.

●​ Construction : le système génère automatiquement les définitions de nœuds et d'éléments pour des solveurs comme OpenSees ou SAP2000 .

Ce processus automatise la préparation de la « descente de charges ». Au lieu qu'un ingénieur mesure manuellement les aires d'influence et redessine le cadre, le GNN Veriprajna parcourt le graphe, agrège les attributs d'aire des nœuds de dalle, les transfère aux nœuds de poutre, et compile la matrice de charges. ¹³

4. Réseaux de neurones informés par la physique (PINN) : le moteur du déterminisme

La critique la plus significative de l'IA en ingénierie est le problème de la « boîte noire ». Comment pouvons-nous faire confiance à un réseau de neurones pour la sécurité humaine ? Veriprajna y répond par les informés par la physique réseaux de neurones (PINN) . Nous ne demandons pas à l'IA d'apprendre la physique à partir des données ; nous enseignons à l'IA la physique en intégrant les équations différentielles directement dans son cerveau.

4.1 Intégrer les équations gouvernantes dans la fonction de perte

Dans un réseau de neurones standard, l'objectif d'entraînement est de minimiser l'erreur entre la prédiction et les données de vérité terrain ($\mathcal{L}_{data}$). Dans un PINN, nous ajoutons un résidu physique

($\mathcal{L}_{PDE}$) à la fonction de perte. ¹⁴

Considérons l'équation de poutre d'Euler-Bernoulli régissant le balcon :

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

Où $w$ est la flèche et $q(x)$ est la charge. Lors de l'entraînement du modèle Veriprajna, la fonction de perte est définie comme :

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

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

Ici, $\hat{w}$ est la flèche prédite par le réseau. Nous utilisons la différentiation automatique pour calculer exactement les dérivées de la prédiction. Si le réseau prédit une forme de flèche qui viole les lois de l'équilibre statique, le terme $\mathcal{L}_{PDE}$ s'envole, forçant le réseau à se corriger. ¹⁴

4.2 Étude de cas : le pont de spaghettis et au-delà

L'efficacité de cette approche a été prouvée dans des expériences récentes, telles que la prédiction de la capacité de charge de ponts de spaghettis. ¹⁴ Un réseau de Kolmogorov-Arnold informé par la physique (PIKAN) a été utilisé pour prédire la charge de ruine. En intégrant les contraintes physiques de la géométrie du pont et des limites des matériaux, le modèle pouvait prédire avec exactitude les limites de poids même avec des données rares.

Dans des scénarios plus complexes, tels que des ponts ferroviaires sous charges dynamiques, les PINN ont été utilisés avec succès pour identifier des lignes d'influence et prédire des réponses structurelles là où les modèles d'apprentissage automatique purement fondés sur les données n'ont pas convergé. ¹⁵ Le PINN agit comme un régulariseur, garantissant que « l'imagination » de l'IA ne viole jamais les lois de Newton.

4.3 DeepONet informés par la physique et structurés en graphe

Veriprajna s'appuie sur la pointe de ce domaine : le structuré en graphe et informé par la physique DeepONet (GS-PI-DeepONet) . ¹⁷

●​ DeepONet (Deep Operator Network) : un réseau de neurones conçu pour apprendre des opérateurs (applications entre espaces de fonctions de dimension infinie) plutôt que de simples fonctions. Il peut apprendre l'opérateur qui mappe une « fonction de distribution des charges » vers une « fonction de flèche ».

●​ Structuré en graphe : il applique cet apprentissage d'opérateurs sur des graphes non structurés (maillages), lui permettant de traiter des géométries de bâtiments complexes et irrégulières que les CNN standard ne peuvent pas aborder.

Cette architecture a montré des accélérations de 7–8x par rapport aux solveurs traditionnels de méthode des éléments finis (MEF) tout en maintenant des $R^2$ valeurs de précision allant jusqu'à 0.9999 . ¹⁷ Cela signifie que Veriprajna offre la vitesse de l'IA avec la précision de la MEF.

5. Suivi automatisé des chemins de charge : la « colonne vertébrale » de la structure

Dans l'exemple du « balcon », la défaillance critique est souvent une discontinuité du chemin de charge — la charge est appliquée au porte-à-faux, mais il n'y a ni travée arrière ni assemblage de moment pour la transférer au poteau. Un LLM voit des pixels ; Veriprajna voit le chemin de charge principal .

5.1 Recherche de chemins matricielle pour la résilience

Veriprajna emploie des algorithmes rigoureux de théorie des graphes pour tracer les chemins de charge. La structure est représentée comme une matrice d'adjacence $A$.

●​ Analyse de connectivité : en élevant la matrice d'adjacence à des puissances ($A^n$), nous pouvons identifier tous les chemins de longueur $n$ entre le point d'application de la charge et les fondations. ¹⁸

●​ Énumération exhaustive des chemins : nous utilisons un chercheur de chemins exhaustif fondé sur les matrices qui identifie tous les chemins réalisables de transfert de charge. Cela nous permet de quantifier la redondance de la structure. S'il n'existe qu'un seul chemin (système isostatique), la structure a une redondance nulle et un risque élevé. ¹⁹

5.2 L'indice U : visualiser le transfert de charge*

Pour fournir aux ingénieurs des insights intuitifs, nous calculons l'indice U* , une métrique qui exprime le transfert d'énergie de déformation interne et la rigidité relative entre points. ²⁰

●​ Chemin de charge principal (PLP) : défini comme la « ligne de crête » des contours U* — l'itinéraire le plus rigide à travers la structure.

●​ Visualisation par lignes de courant : à l'aide de l'algorithme Runge-Kutta (RK4), nous pouvons intégrer le gradient de l'indice U* pour tracer des « lignes de courant » de force. ²⁰

Cela génère une visualisation où la « colonne vertébrale » du bâtiment s'illumine. Si le balcon est sûr, la ligne de courant PLP reliera sans couture le garde-corps au poteau. S'il est dangereux (p. ex. un porte-à-faux « flottant »), la ligne de courant s'arrêtera brusquement ou montrera une divergence massive d' énergie de déformation. C'est un diagnostic visuel dérivé des mathématiques, non une hallucination visuelle dérivée d'images d'entraînement.

5.3 Propagation des défaillances et coupes minimales

Les méthodes actuelles de théorie des graphes nous permettent aussi de modéliser l'effondrement progressif. En retirant systématiquement des nœuds (simulation de la ruine d'un poteau) et en réévaluant la connectivité du graphe (à l'aide de mesures comme la centralité d'intermédiarité ou l'efficacité), nous pouvons identifier des coupes minimales — des grappes critiques de composants dont la défaillance scinde le graphe en composantes déconnectées.21 Cette simulation d'« attaque de graphe » est computationnellement instantanée comparée à relancer une analyse d'effondrement MEF non linéaire, permettant à Veriprajna de cribler des milliers de scénarios de défaillance en temps réel.21

6. Application entreprise : la couche « vérificateur »

Pour le client entreprise — le grand bureau d'ingénierie, le régulateur public, le promoteur immobilier — Veriprajna offre un modèle de déploiement spécifique. Nous ne visons pas à remplacer l'ingénieur ; nous visons à remplacer l'incertitude de l'adoption de l'IA.

6.1 Le flux « humain dans la boucle »

L'avenir de la conception implique l'IA générative, mais il exige une couche vérificateur .

1.​ Couche générative (probabilité) : les architectes utilisent des outils comme Midjourney ou des MLLM pour générer des concepts créatifs (« Montrez-moi un balcon en porte-à-faux avec un garde-corps paramétrique »). C'est le domaine de la probabilité.

2.​ Couche Veriprajna (déterminisme) :

○​ Le concept est analysé en un graphe BIM .

○​ Contrôle de topologie : le graphe est-il connexe ? (algorithmes DFS/BFS).

○​ Contrôle du chemin de charge : le chemin de charge principal atteint-il les fondations ? (indice U*).

○​ Contrôle physique : les contraintes prédites par le PINN satisfont-elles $\sigma < f_y$ ? (perte EDP).

3.​ Retour : si le contrôle physique échoue, Veriprajna renvoie une contrainte dure au modèle génératif (« Augmenter la hauteur de poutre de 200 mm » ou « Ajouter un assemblage de travée arrière »), forçant une régénération physiquement valide. ⁵

6.2 Efficacité des données et sécurité

Un avantage majeur de l'approche GNN/PINN est l'efficacité des données . Les LLM exigent des pétaoctets de données d'entraînement (tout l'internet) pour apprendre un « ressenti » de ce à quoi ressemble un bâtiment. Les PINN, parce qu'ils sont contraints par des équations physiques, peuvent être entraînés sur des petites données . ¹⁴

●​ Généralisation : un GNN entraîné sur un jeu de données de cadres en acier se généralise bien à de nouveaux cadres en acier parce que la physique sous-jacente (loi de Hooke) ne change pas.

●​ Confidentialité : parce que les modèles sont plus petits et spécialisés, ils peuvent être déployés sur site . Les clients n'ont pas besoin d'envoyer de la PI sensible (plans de centrales nucléaires ou de centres de données) vers une API publique comme OpenAI. Le « moteur physique » vit sur votre serveur.

6.3 Explicabilité : la « boîte de verre »

Parce que les réseaux de neurones de graphes opèrent sur des nœuds qui correspondent 1:1 à des objets physiques, ils sont intrinsèquement interprétables.

●​ Poids d'attention : nous pouvons visualiser les poids d'attention du GNN pour voir exactement quels voisins ont influencé la prédiction de défaillance d'un nœud.

●​ Traçabilité : « Le poteau a cédé parce que la charge transférée depuis la poutre A et la poutre B a dépassé la capacité. » ​

C'est la boîte de verre de l'IA, en net contraste avec la « boîte noire » des LLM où le raisonnement est caché dans des milliards de paramètres ininterprétables.23

7. Analyse comparative : l'avantage Veriprajna

Capacité	LLM multimodal standard	Veriprajna (GDL/PINN)
Opération centrale	Prédiction du jeton suivant	Passage de messages (transfert de force)
Fenêtre de contexte	Jetons limités (oublieux)	Connectivité de graphe infinie
Assurance de sécurité	« Cela a l'air sûr » (hallucination)	« Le résidu physique est à peu près 0 » (vérifié)
Cheminement des charges	Estimation visuelle (devinette)	Parcours de graphe (algorithme)
Gestion des contraintes	Souple (souvent ignorée)	Dure (EDP dans la fonction de perte)
Interprétabilité	Boîte noire	Boîte de verre (attention au niveau nœud)
Données d'entraînement	L'internet (biaisé/bruité)	Équations physiques + données structurées

8. Conclusion : la fondation des mathématiques

L'industrie de la construction est unique. En logiciel, un « bogue » est une gêne. Dans notre industrie, un « bogue » est une tragédie. Le cycle de battage autour de l'IA générative a occulté cette distinction fondamentale, promettant un avenir où l'IA « imagine » nos villes.

Veriprajna rejette le principe selon lequel l'ingénierie devrait être imaginative dans sa vérification. Nous affirmons que la vérification d'ingénierie doit être déterministe . Le « paradoxe du balcon » est résolu non en entraînant un meilleur reconnaisseur d'images, mais en abandonnant l'image tout entière au profit du graphe.

●​ ChatGPT dit que le balcon est sûr parce qu'il a vu des milliers de photos de balcons, et que dans ces photos, les pixels du plancher restent généralement au-dessus des pixels du sol.

●​ La physique dit que le balcon s'effondrera parce que le moment fléchissant à l'encastrement dépasse la capacité de moment de la section ($\sum M > M_{cap}$).

Veriprajna est la plateforme qui vous permet d'écouter la physique. Nous bâtissons sur le fondement de la théorie des graphes, de l'apprentissage profond géométrique et des équations différentielles. Nous ne devinons pas les pixels. Nous calculons les charges.

Bâtissez-vous sur une fondation de mathématiques, ou de probabilité ?

Données de recherche et citations

●​ Limites des LLM : ³ (échecs de raisonnement structurel DSR-Bench) ⁴ (exigences DesignQA échec de vérification) ¹ (associations de patches ViT vs topologie) ⁵ (IA générative Autodesk benchmarks) ² (architecture ViT).

●​ Fondamentaux de l'apprentissage profond géométrique : ⁶ (définition du GDL) ⁹ (notation et maths des GNN) ⁷ (euclidien vs non euclidien) ²⁵ (généralisation des GNN) ⁸ (Altair PhysicsAI et GDL).

●​ Pipeline de données : ¹⁰ (représentation de graphe BIM) ¹³ (plongements sémantiques et RNA) ¹² (IFC-to-BIMGraph) ²⁶ (GraphRAG et ontologies).

●​ Réseaux de neurones informés par la physique : ¹⁴ (PINN pour poids de pont/PIKAN) ¹⁵ (revue PINN et ponts ferroviaires) ¹⁷ (DeepONet structuré en graphe) ¹⁶ (PINN pour cadres).

●​ Chemin de charge et résilience : ¹⁹ (recherche de chemins matricielle) ²¹ (théorie des graphes pour défaillances de canalisations) ¹⁸ (puissances de la matrice d'adjacence) ²⁰ (indice U* et chemins de charge) ²⁰ (chemin de charge principal visualisation).

●​ Contexte général : ²⁷ (défis des dessins génératifs) ²⁸ (éthique et biais de l'IA) ²² (modèles génératifs vs non génératifs).

Ouvrages cités

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

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

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

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

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

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

7. A gentle introduction to Geometric Deep Learning - dataroots, consulté le 12 décembre 2025, https://dataroots.io/blog/a-gentle-introduction-to-geometric

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

9. AIDA-01-Intro to geometric deep learning, consulté le 12 décembre 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, consulté le 12 décembre 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, consulté le 12 décembre 2025, https://arxiv.org/html/2510.25683v1

12. graph representation learning: embedding ... - mediaTUM, consulté le 12 décembre 2025, https://mediatum.ub.tum.de/doc/1780983/hag373op3y69o9fnb4r9h3ecu.GRL_EC3_camera_ready.pdf

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

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

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

19. Graph-Theoretic Pathfinding for Infrastructure Robustness and ..., consulté le 12 décembre 2025, https://www.jsofcivil.com/article_233020_bc0a15e4051015c95980e439af441832.tpdf

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

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

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

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