Pourquoi les LLM devinent des pixels tandis que les graphes informés par la physique calculent les charges
L'industrie AEC fait face à un choix critique : une IA probabiliste basée sur les pixels qui hallucine la sécurité, ou une IA déterministe basée sur la structure qui calcule les charges grâce à la physique. Un balcon ne tient pas parce qu'un LLM le dit « robuste » — il ne tient que si le chemin de charge satisfait aux équations différentielles de l'équilibre.
Le framework de Geometric Deep Learning de Veriprajna convertit les plans en graphes mathématiques où les nœuds sont des éléments structuraux et les arêtes des chemins de charge. En intégrant directement les équations de la physique dans les fonctions de perte des réseaux de neurones, nous passons de l'estimation probabiliste au calcul déterministe.
L'échec fondamental de l'application des LLM à la sécurité structurelle
« La structure du balcon semble saine. Le garde-corps est présent et la surface du plancher paraît robuste. Le design suit les motifs architecturaux standard observés dans des milliers d'images de balcons. »
DÉFAILLANCE CRITIQUE DÉTECTÉE
Discontinuité du chemin de charge à la connexion en porte-à-faux
« Un balcon ne tient pas parce qu'une description textuelle le dit « robuste », et il ne résiste pas à la gravité parce qu'une analyse basée sur les pixels identifie visuellement la présence d'un garde-corps. Il ne tient que si le chemin de charge est continu, si la distribution des contraintes reste dans la limite élastique des matériaux et si la topologie de la structure satisfait aux équations différentielles gouvernantes de l'équilibre.»
— Livre blanc technique Veriprajna, Résumé exécutif
Le mode de défaillance fondamental : ce sont des moteurs probabilistes conçus pour prédire des tokens, pas des moteurs logiques conçus pour résoudre des contraintes physiques.
Les Vision Transformers divisent les images en patches de 16×16 pixels. Ils apprennent des « associations de patches » — des corrélations statistiques entre amas de pixels — et non une véritable topologie spatiale.
Quand les pixels sont brouillés, les ViT conservent une haute précision — preuve qu'ils ne dépendent pas de la structure spatiale. En ingénierie, la structure spatiale est tout.
10 LLM de pointe testés sur 4 140 problèmes de raisonnement structurel. Meilleur score : 0.498/1.0 — précision de pile ou face.
Les performances se dégradent quand les problèmes sont décrits en langage naturel plutôt qu'en code formel — les LLM s'appuient sur des motifs GitHub mémorisés, pas sur le raisonnement.
Les MLLM savaient résumer couramment les codes du bâtiment mais échouaient à appliquer des contraintes quantitatives aux artefacts de conception.
Biais des matériaux exotiques : les LLM proposent du titane ou de la fibre de carbone même quand le contexte exige des solutions rentables — optimiser pour ce qui « sonne high-tech » plutôt que pour la justesse contextuelle.
| Caractéristique | Vision Transformer (LLM) | Réalité de l'ingénierie |
|---|---|---|
| Unité d'entrée | Patch de pixels (grille 16×16) | Élément structural (poutre, poteau) |
| Relation | Corrélation statistique (attention) | Causalité physique (transfert de charge) |
| Compréhension spatiale | Embedding positionnel (appris) | Connectivité topologique (absolue) |
| Mode de défaillance | Hallucination (« semble sûr ») | Effondrement (« est dangereux ») |
| Domaine des données | Euclidien (type grille) | Non euclidien (type graphe) |
Les LLM voient les plans comme des grilles de pixels. Si une poutre noire apparaît sur un fond noir, ils sont littéralement incapables de la voir. Pire : ils peuvent « voir » des connexions inexistantes parce que des pixels adjacents déclenchent des poids d'attention.
Nous analysons directement le schéma IFC/BIM. Les nœuds représentent des éléments physiques avec leurs propriétés de matériau (E, I, f_y). Les arêtes représentent les relations de transfert de charge définies par le schéma — non devinées à partir des pixels.
Pour transcender la divination par pixels, Veriprajna s'appuie sur le Geometric Deep Learning — la généralisation des réseaux de neurones aux domaines non euclidiens (graphes et variétés).
Les CNN standards opèrent sur des grilles euclidiennes où chaque pixel a exactement 8 voisins. Les structures sont intrinsèquement non euclidiennes :
Dans Veriprajna, un bâtiment est formalisé comme G = (V, E) :
Contrairement aux pixels (valeurs RGB), les nœuds contiennent de véritables paramètres physiques : module de Young, moment d'inertie, limite d'élasticité — les valeurs requises pour le calcul.
Calcule la force/le moment transférés du voisin u vers le nœud v selon les propriétés de l'arête (rigidité de connexion, orientation).
Additionne toutes les forces agissant sur le nœud v depuis tous les éléments connectés — imitant les équations d'équilibre ∑F.
Calcule le nouvel état (déplacement, contrainte) du nœud v à partir de la force totale entrante — en appliquant la loi de Hooke.
En empilant k couches, un GNN à 10 couches propage l'information à 10 sauts de distance : une charge sur le toit influence mathématiquement la fondation —une simulation du chemin de charge, apprenable et différentiable.
Le convertisseur IFC-to-BIMGraph analyse le schéma IFC. Il identifie les IfcRelConnectsElements (connexions physiques) et les mappe en arêtes avec une fidélité de 100 % — sans aucune divination.
Fusionne le sémantique (« IPE 300 acier ») et le géométrique (maillage 3D via PointNet) en vecteurs de nœuds. Le modèle comprend que IPE 300 ≈ HEB 300 tout en différant en capacité.
Le GNN prédit les paramètres de rigidité (EI, EA) et génère automatiquement les fichiers d'entrée éléments finis pour OpenSees/SAP2000 — automatisant la préparation de la descente de charges.
Nous ne demandons pas à l'IA d'apprendre la physique à partir des données. Nous lui enseignons la physique en intégrant directement les équations différentielles dans la fonction de perte.
Considérons l'équation de poutre d'Euler-Bernoulli qui régit la flèche d'un balcon :
La fonction de perte totale devient :
En utilisant la différenciation automatique, nous calculons exactement les dérivées de la prédiction du réseau. Si la flèche prédite viole l'équilibre, L_PDE s'envole, forçant une correction.
Un Physics-Informed Kolmogorov Arnold Network (PIKAN) a prédit les charges de rupture à partir de données rares en intégrant les contraintes de géométrie et de limites du matériau.
Des PINN ont identifié les lignes d'influence sous charges dynamiques là où le ML purement data-driven échouait à converger. La physique agit comme un régularisateur — l'imagination de l'IA ne viole jamais les lois de Newton.
Veriprajna exploite les Graph-Structured Physics-Informed Deep Operator Networks — apprentissage d'opérateurs (applications entre espaces fonctionnels de dimension infinie) sur des graphes non structurés.
Un LLM voit des pixels. Veriprajna voit le chemin de charge principal — rigoureusement tracé à l'aide d'algorithmes de théorie des graphes.
La structure est représentée par une matrice d'adjacence A. En élevant A aux puissances (A^n), nous identifions tous les chemins de longueur n entre charge et fondation.
Calculer l'indice U* — métrique du transfert d'énergie de déformation interne. Le chemin de charge principal est défini comme la « ligne de crête » des contours de U* (trajet le plus rigide).
Retirer systématiquement des nœuds (simuler une défaillance de poteau) et réévaluer la connectivité du graphe via la centralité d'intermédiarité. Identifier instantanément les ensembles de coupure.
Veriprajna ne remplace pas les ingénieurs — nous remplaçons l'incertitude de l'adoption de l'IA par une couche de vérification déterministe.
Les architectes utilisent Midjourney/MLLM pour générer des concepts créatifs : « Montre-moi un balcon en porte-à-faux avec un garde-corps paramétrique »
Si la physique échoue, renvoyer une contrainte stricte : « Augmente la hauteur de poutre de 200 mm » ou « Ajoute une connexion de contre-portée » — forcer la régénération
Des PINN entraînés sur Small Data car les contraintes physiques réduisent l'espace de recherche. Les LLM ont besoin de pétaoctets pour apprendre des « vibes ».
Les GNN correspondent 1:1 aux objets physiques. Nous pouvons visualiser les poids d'attention et retracer exactement pourquoi chaque prédiction a été faite.
À contraster avec la « boîte noire » des LLM, où le raisonnement est enfoui dans des milliards de paramètres ininterprétables.
| Capacité | LLM multimodal standard | Veriprajna (GDL/PINN) |
|---|---|---|
| Opération fondamentale | Prédiction du token suivant | Message Passing (transfert de force) |
| Fenêtre de contexte | Tokens limités (oublieux) | Connectivité de graphe infinie |
| Garantie de sécurité | « On dirait que c'est sûr » (hallucination) | « Résidu physique ≈ 0 » (vérifié) |
| Traçage du chemin de charge | Estimation visuelle (divination) | Parcours de graphe (algorithme) |
| Gestion des contraintes | Souples (souvent ignorées) | Strictes (EDP dans la fonction de perte) |
| Interprétabilité | Boîte noire | Boîte de verre (attention au niveau des nœuds) |
| Données d'entraînement | Internet (biaisé/bruité) | Équations de la physique + données structurées |
| Précision (raisonnement structurel) | 49.8% (DSR-Bench) | R² = 0.9999 |
| Déploiement | API cloud (risque pour la confidentialité) | Sur site (sécurisé) |
L'industrie de la construction est unique. Dans le logiciel, un « bug » est une nuisance. Dans notre industrie, un « bug » est une tragédie. Le cycle de hype autour de l'IA générative a obscurci cette distinction fondamentale.
« Le balcon est sûr parce qu'il a vu des milliers de photos de balcons, et dans ces photos, les pixels du plancher restent généralement au-dessus des pixels du sol. »
« Le balcon s'effondrera parce que le moment fléchissant à l'encastrement dépasse la capacité de moment de la section : ∑M > M_cap»
Veriprajna est la plateforme qui vous permet d'écouter la Physique.
Nous bâtissons sur le fondement de la théorie des graphes, du Geometric Deep Learning et des équations différentielles. Nous ne divinons pas des pixels. Nous calculons des charges.
Les Vision Transformers découpent les plans en patches de 16x16 pixels et apprennent des corrélations statistiques, pas la causalité physique. Les tests DSR-Bench de 10 LLM de pointe sur 4 140 problèmes de raisonnement structurel ont montré que le meilleur score n'était que de 0.498 sur 1.0, soit une précision de pile ou face. Ils ne peuvent effectuer ni raisonnement multi-sauts, ni satisfaction de contraintes, ni détection des discontinuités du chemin de charge qui provoquent des ruptures structurelles.
Les PINN intègrent directement dans la fonction de perte des équations différentielles gouvernantes comme l'équation de la poutre d'Euler-Bernoulli. Grâce à la différenciation automatique, la flèche prédite par le réseau est vérifiée vis-à-vis des équations d'équilibre. Si la prédiction viole la physique, le terme de perte EDP s'envole et force une correction, atteignant une précision R² de 0.9999 à une vitesse 7-8x supérieure à celle des solveurs FEM traditionnels.
Le pipeline IFC-to-BIMGraph de Veriprajna analyse directement le schéma IFC et extrait les relations IfcRelConnectsElements pour créer des arêtes de graphe avec une fidélité de connectivité de 100 %. Les nœuds représentent des éléments structuraux dotés de propriétés physiques comme le module de Young, le moment d'inertie et la limite d'élasticité. Des embeddings multimodaux fusionnent données sémantiques et géométriques en vecteurs de nœuds pour le traitement par GNN.
Veriprajna propose un déploiement entreprise, l'entraînement de modèles personnalisés sur vos données BIM et l'intégration aux pipelines CAD/BIM existants.
Rapport technique complet avec 28 citations évaluées par les pairs : architecture matérielle, Message Passing Neural Networks, mathématiques des PINN, benchmarks de performance du Graph-Structured DeepONet, spécifications du pipeline IFC-to-BIMGraph.