הפער הדטרמיניסטי: מדוע מודלי שפה גדולים מנחשים פיקסלים בעוד גרפים מונחי־פיזיקה מחשבים עומסים

תקציר מנהלים: פרדוקס המרפסת

ענף האדריכלות, ההנדסה והבנייה (AEC) ניצב כיום על סף קרע טכנולוגי, שיגדיר את פרופיל הבטיחות של הסביבה הבנויה שלנו למאה הקרובה. מצד אחד ניצבת ההבטחה המפתה של בינה מלאכותית יוצרת—מודלי שפה גדולים (LLMs) ומודלי שפה גדולים רב־מודאליים (MLLMs) ש כביכול יכולים "לקרוא" שרטוטים, לייצר מושגי תכנון, ולשוחח על תקנות בנייה בשטף דמוי־אדם. מן הצד האחר ניצבת המציאות הקפדנית והבלתי־ניתנת־לשינוי של הפיזיקה. מרפסת אינה עומדת משום שתיאור טקסטואלי אומר שהיא "עמידה," וגם אינה מתנגדת לכבידה משום שניתוח מבוסס־פיקסלים מזהה נוכחות חזותית של מעקה. היא עומדת רק אם נתיב העומס רציף, התפלגות המאמצים נותרת בתוך הגבול האלסטי של החומרים, והטופולוגיה של המבנה מקיימת את המשוואות הדיפרנציאליות השולטות של שיווי המשקל.

נייר עמדה זה, שהוכן עבור Veriprajna, בוחן את ההתבדרות היסודית בין בינה מלאכותית הסתברותית מבוססת־פיקסלים (הגל הנוכחי של בינה מלאכותית יוצרת) לבין מבוססת־מבנה בינה מלאכותית דטרמיניסטית (גישת Veriprajna באמצעות למידה עמוקה גיאומטרית). אנו בוחנים את החולשה היסודית שביישום ארכיטקטורות עצביות אוקלידיות—כגון טרנספורמרי ראייה—על המציאות הלא־אוקלידית של הנדסת מבנים. אנו מדגימים באמצעות ניתוח קפדני של מדדים עדכניים מדוע מודלי שפה גדולים רב־מודאליים, חרף שטפם הלשוני, נוטים להזיות מסוכנות כאשר מוטלת עליהם משימת הנמקה מבנית. הם רואים שרטוט כאוסף פיקסלים שיש לחזות; הם אינם מחשבים את העומסים שאותם פיקסלים מייצגים.

לעומת זאת, אנו מציגים מסגרת מקיפה עבור למידה עמוקה גיאומטרית (GDL) ו-רשתות עצביות מונחות־פיזיקה (PINNs) . גישה זו ממירה סכמות הנדסיות לא לאסימונים, אלא לגרפים מתמטיים שבהם צמתים משמשים כאלמנטים מבניים וקשתות מתפקדות כנתיבי עומס. על ידי הטמעת חוקי הפיזיקה ישירות בתוך פונקציות ההפסד של הרשת העצבית, אנו עוברים מניחוש הסתברותי של "האם זה בטוח?" אל החישוב הדטרמיניסטי של "האם זה יחזיק?"

הענף ניצב בפני שאלה קריטית, שעל Veriprajna עונה בוודאות מתמטית: האם אתם בונים על יסוד של מתמטיקה, או של הסתברות?

1. הזיית הבטיחות: מדוע מודלי שפה גדולים רב־מודאליים נכשלים בהנמקה מבנית

התפוצה המהירה של מודלי שפה גדולים הובילה לערבוב מסוכן בין סבירות לבין דיוק . בתחום הכתיבה היצירתית או העתקי שיווק, תשובה סבירה מספיקה לעיתים קרובות. בהנדסת מבנים, תשובה סבירה אך שגויה היא קטסטרופלית. מצב הכשל הליבתי בפריסת מודלי שפה גדולים לניתוח מבני טמון ב ארכיטקטורה שלהם: הם מנועים הסתברותיים שנועדו לחזות את האסימון או הפיקסל הבא, לא מנועי לוגיקה שנועדו לפתור אילוצים פיזיקליים.

1.1 מלכודת מבוססת־הפיקסלים: טרנספורמרי ראייה ואשליית ההבנה

כאשר מודל שפה גדול רב־מודאלי, כגון GPT-4V או Gemini, "רואה" שרטוט מבני, הוא אינו תופס קורות, עמודים או נתיבי עומס. הוא מפעיל ארכיטקטורת טרנספורמר ראייה (ViT) כדי לעבד את התמונה. ה-ViT מחלק את התמונה לרצף של טלאים בגודל קבוע (למשל, $16 \times 16$ פיקסלים), משטח אותם לווקטורים, ומעבד אותם כדי למזער הפסד אימון. ¹

באופן מכריע, מחקר תיאורטי עדכני חושף שטרנספורמרי ראייה ממזערים הפסד זה על ידי למידת "שיוכי טלאים"—מתאמים סטטיסטיים בין אשכולות פיקסלים—ולא טופולוגיה מרחבית אמיתית. ¹ המודל עשוי ללמוד שטלאי המכיל קו אנכי (עמוד) הוא סביר סטטיסטית להיות סמוך לטלאי המכיל קו אופקי (קורה). עם זאת, זה מתאם, לא הבנה סיבתית. המודל אינו מבין שה קו האופקי נתמך על ידי הקו האנכי. אם הקו האנכי מוסר, התפלגות ההסתברותית של המודל עשויה לזוז מעט, אך אין לו מנוע פיזיקה פנימי שיאמר לו שה קו האופקי חייב כעת ליפול.

גישת "שק הטלאים" מסבירה מדוע מודלי שפה גדולים מתקשים בהנמקה מרחבית מדויקת. ב ניסויים שבהם פיקסלים או טלאים של תמונה מותמרים (מעורבבים), טרנספורמרי ראייה שומרים לעיתים קרובות על דיוק סיווג גבוה, מה שמוכיח שהם אינם נסמכים על המבנה המרחבי הקפדני של ה אובייקט אלא על נוכחות מרקם ודפוסים מקומיים. ¹ בהנדסה, לעומת זאת, מבנה מרחבי הוא הכול. פרט חיבור שהוא "כמעט שם" אך חסר רציפות נתיב עומס קריטית אינו בטוח ב-90%; הוא בלתי־בטוח ב-100%. בכך שהם מתייחסים לשרטוטים כפיקסלים, מודלי שפה גדולים מחמיצים ביסודם את האופי הבינארי של יציבות מבנית.

מאפיין	טרנספורמר ראייה (LLM)	מציאות הנדסית
יחידת קלט	טלאי פיקסל ($16 \times 16$ רשת)	אלמנט מבני (קורה, עמוד)

יחס	מתאם סטטיסטי (קשב)	סיבתיות פיזיקלית (העברת עומס)
הבנה מרחבית	שיכון מיקום (נלמד)	קישוריות טופולוגית (מוחלטת)
מצב כשל	הזיה (נראה בטוח)	קריסה (אינו בטוח)
תחום נתונים	אוקלידי (דמוי־רשת)	לא־אוקלידי (דמוי־גרף)

1.2 פסק הדין של DSR-Bench: כימות פער ההנמקה

ההשערה שמודלי שפה גדולים מתקשים בהנמקה מבנית אינה תיאורטית בלבד; היא אומתה אמפירית. DSR-Bench (מדד הנמקת מבני נתונים) העריך לאחרונה את יכולות ההנמקה האלגוריתמית של עשרה מודלי שפה גדולים בחזית הטכנולוגיה על פני 35 פעולות ו-4,140 מופעי בעיות שנוצרו באופן סינתטי. ³ התוצאות היו מפוכחות לכל תומך בהנדסה מבוססת־מודלי שפה גדולים.

המדד תוכנן לבחון "הנמקה מבנית"—היכולת להבין ול תפעל יחסים מורכבים בין ישויות, פרוקסי ישיר להבנת שלד של בניין.

●​ תקרת ביצוע: מודל החזית בעל הביצוע הגבוה ביותר השיג ציון של 0.498 בלבד מתוך 1.0 במופעים מאתגרים הכוללים מבנים היברידיים והרכביים. ³

●​ מצבי כשל: המודלים הציגו חולשות קריטיות בהנמקה רב־קפיצתית (מעקב אחר יחס דרך צמתים ביניים מרובים) וסיפוק אילוצים (עמידה בכללים קשיחים שהוגדרו על ידי המשתמש).

●​ חוסר יכולת מרחבית: במשימות נתונים מרחביים—המחקות את האופי הרב־ממדי של מבנים פיזיקליים בעולם האמיתי—הביצוע צנח משמעותית ככל שהממדיות עלתה. ³

באופן המדאיג ביותר, המחקר מצא שביצוע המודל מתדרדר כאשר בעיות מתוארות ב"שפה טבעית" בהשוואה לקוד פורמלי. הדבר מרמז שמודלי שפה גדולים נסמכים על התאמת דפוסים של מבנים תחביריים ספציפיים (שנזכרו מנתוני אימון כמו GitHub) במקום לעסוק בהנמקה אמיתית. כאשר מהנדס מתאר בעיה מבנית ייחודית, לא־תקנית באנגלית פשוטה, מודל השפה הגדול נדחק מחוץ לדפוסיו הזכורים ואל מצב הנמקה שבו הוא נכשל סטטיסטית 50% מהזמן. ³

1.3 הראיות מ-DesignQA: אי־יכולת לאמת דרישות

ראיות נוספות מגיעות מ-DesignQA, מדד שנבנה במיוחד להערכת מודלי שפה גדולים רב־מודאליים בהקשרי תכנון הנדסי. ⁴ מחקר זה התמקד ביכולת המודלים לחלץ דרישות טכניות מתיעוד וליישם אותן על פריטי תכנון.

הממצאים חיזקו את "אשליית הכישירות." בעוד שמודלים רב־מודאליים יכלו לסכם בשטף את הטקסט של תקנת בנייה או תקן הנדסי, הם נכשלו ביישום מדויק של אותם אילוצים כמותיים על הוויזואל של התכנון.

●​ חילוץ מול יישום: המודלים יכלו לענות "מהי ה סטייה המרבית המותרת?" (חילוץ) אך נכשלו במענה "האם תכנון הקורה הספציפי הזה עומד ב סטייה המרבית המותרת?" (יישום). ⁴

●​ הטיה אקזוטית: מחקר בבחירת חומרים מצא שמודלי שפה גדולים הציגו הטיה חזקה כלפי חומרים "אקזוטיים" או בעלי ביצועים גבוהים (כמו טיטניום או סיבי פחמן) גם כאשר ההקשר דרש פתרונות חסכוניים, פשוט משום שחומרים אלה מופיעים בתדירות בגוף האימון "היי־טקי". ⁵

הטיה זו כלפי תשובות שנשמעות "אופטימליות" אך שגויות הקשרית מדגישה את סיכון ההזיה. מודל שפה גדול הסוקר תכנון מרפסת עשוי להציע מעקה מסגסוגת חוזק גבוה—הנשמע מקצועי מאוד—תוך שהוא נכשל להבחין שלוח הזיז הבטוני חסר זיון עליון, הסיבה בפועל לקריסה התיאורטית.

1.4 ה"תוכי הסטוכסטי" בעולם דטרמיניסטי

הבעיה היסודית היא אי־התאמה בין תחומים. הנדסת מבנים היא שדה דטרמיניסטי הנשלט על ידי חוקי הפיזיקה. אם $\sum F_y \neq 0$, המבנה מאיץ. אין הסתברות מעורבת. מודלי שפה גדולים הם מנועים סטוכסטיים. הם מייצרים טקסט על בסיס התפלגות ההסתברות של האסימון הבא.

כאשר אנו שואלים מודל שפה גדול, "האם המרפסת הזו בטוחה?", הוא אינו מחשב מומנט התמד. הוא חוזה את האסימונים שבדרך כלל עוקבים אחרי שאלה זו בנתוני האימון שלו. אם נתוני האימון שלו מכילים אלפי דוחות בדיקת בטיחות המסתיימים ב"המבנה נראה תקין," מודל השפה הגדול מוטה סטטיסטית לייצר הרגעה דומה, ללא קשר לראיות החזותיות בטלאי הפיקסלים הספציפי שהוא מנתח. הוא מנחש על בסיס ה"אווירה" של ה פיקסלים, לא על חשבון העומסים.

2. למידה עמוקה גיאומטרית: היסוד המתמטי של Veriprajna

כדי להתעלות מעל מגבלות ניחוש הפיקסלים, Veriprajna נשענת על למידה עמוקה גיאומטרית (GDL) . תחום זה של בינה מלאכותית מכליל רשתות עצביות ל תחומים לא־אוקלידיים, במיוחד גרפים ויריעות. ⁶ במסגרת שלנו, בניין אינו תמונה; הוא גרף .

2.1 המציאות הלא־אוקלידית של מבנים

למידה עמוקה סטנדרטית (CNNS) פועלת על נתונים אוקלידיים . תמונות הן רשתות דו־ממדיות; שמע הוא רשת חד־ממדית (זמן). במרחב אוקלידי, מושגי "כיוון" ו"שכן" קבועים. פיקסל ב $(x,y)$ תמיד יש לו בדיוק 8 שכנים (אלא אם כן בקצה), וההזזה מ $(x,y)$ אל $(x+1, y)$ אחידה בכל מקום. ⁷

מבנים הם מטבעם לא־אוקלידיים .

●​ טופולוגיה לא־סדירה: צומת פלדה במסבך עשוי להתחבר ל-3 אלמנטים; צומת ב דיאגרד מורכב עשוי להתחבר ל-8. אין "רשת" קבועה.

●​ אין כיוון קבוע: קורה מוגדרת על ידי הקישוריות שלה, לא על ידי מיקומה במפת סיביות.

סיבוב שרטוט ב-90 מעלות משנה כל ערך פיקסל, ושובר CNN סטנדרטי, אך הגרף הבסיסי (החיבורים בין האלמנטים) נותר אינווריאנטי. ⁷

Veriprajna משתמשת ב-רשתות עצביות גרפיות (GNNs) משום שהן מתוכננות מתמטית לטפל באי־סדירות זו. רשת עצבית גרפית אינה כופה את המבנה לרשת; היא מקבלת את המבנה כקבוצת צמתים ($V$) וקשתות ($E$) בפורמט הטופולוגי הילידי שלו. ⁶

2.2 הגדרה מתמטית של גרף הבניין

במערכת Veriprajna, מודל מבני מפורמל כגרף $G = (V, E)$.

צמתים ($V$): כל צומת מייצג רכיב מבני פיזי (קורה, עמוד, לוח, קיר). בניגוד לפיקסל המכיל רק נתוני צבע (RGB), צומת Veriprajna הוא מיכל נתונים עשיר האוחז בווקטור מאפיינים $\mathbf{x}_v$:

$$\mathbf{x}_v =$$

מאפיינים אלה לוכדים את מודול יאנג ($E$), מומנט ההתמד ($I$), וחוזק הכניעה ($f_y$)—הפרמטרים הפיזיקליים בפועל הנדרשים לחישוב.10 קשתות ($E$): כל קשת מייצגת חיבור או אינטראקציה פיזיים. קשת $e_{ij}$ קיימת אם אלמנט $i$ מעביר עומס אל אלמנט $j$. וקטור מאפייני הקשת $\mathbf{x}_{e_{ij}}$ לוכד את קשיחות החיבור (קשיח מול מפרקי) ואת ה כיוון היחסי.

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

ייצוג זה הוא אינווריאנטי לתמורה . הפיזיקה של הבניין אינה משתנה אם נסדר מחדש את רשימת הקורות במסד הנתונים. רשתות עצביות גרפיות מכבדות אינווריאנטיות זו, בעוד מודלי רצף (כמו הטרנספורמרים במודלי שפה גדולים) רגישים לסדר הקלט. ⁷

2.3 קונבולוציית גרף והעברת הודעות

מנוע ההנמקה של Veriprajna הוא רשת עצבית להעברת הודעות (MPNN) פרדיגמה. ברשת עצבית גרפית, מידע זורם דרך הגרף באופן דומה לאופן שבו כוחות זורמים דרך מבנה.

עבור כל שכבה $l$ של הרשת העצבית הגרפית, מצב של צומת $\mathbf{h}_v^{(l)}$ מתעדכן על ידי אגירת "הודעות" משכניו $\mathcal{N}(v)$:

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

●​ $\psi^{(l)}$: פונקציית ההודעה . במונחים מבניים, זו מחשבת את הכוח/מומנט המועבר משכן $u$ אל צומת $v$.

●​ $\bigoplus$: פונקציית האגירה (למשל, סכום). זו סוכמת את כל הכוחות הפועלים על צומת $v$ מכל האלמנטים המחוברים.

●​ $\phi^{(l)}$: פונקציית העדכון . זו מחשבת את המצב החדש (למשל, הזזה או מאמץ) של צומת $v$ על בסיס סך הכוח הנכנס.

על ידי ערמת $k$ שכבות של רשתות עצביות גרפיות, הרשת מפיצה מידע $k$קפיצות משם. רשת עצבית גרפית בת 10 שכבות מאפשרת לעומס המופעל על הגג (צומת A) להשפיע מתמטית על מצב היסוד (צומת Z), תוך חיקוי התפלגות נתיב העומס הגלובלית של המבנה הפיזי בפועל. ⁶

זה אינו ניחוש חזותי. זו סימולציה ניתנת־ללמידה וגזירה של נתיב העומס.

3. מ-BIM לגרף: צינור הנתונים של Veriprajna

המעבר ממודל BIM סטטי או שרטוט דו־ממדי לגרף חישוב דינמי הוא המבדל הטכני הליבתי של Veriprajna. בעוד שמודלי שפה גדולים מנסים לקרוא את ה"תמונה" של ה שרטוט, הצינור שלנו מחלץ את ה"לוגיקה" של הסכמה.

3.1 למידת ייצוג גרף עבור BIM

נתוני מידול מידע בניין (BIM), בדרך כלל בפורמט IFC, מכילים את המידע הנחוץ אך בפורמט היררכי מונחה־עצמים שאינו מתאים ללמידת מכונה ישירה. Veriprajna מפעילה זרימת עבודה של למידת ייצוג גרף כדי להמיר נתונים אלה. ¹⁰

שלב 1: חילוץ טופולוגי אנו משתמשים בממיר IFC-to-BIMGraph שמפרסר את סכמת ה-IFC. הוא מזהה יחסים כגון IfcRelConnectsElements (חיבור פיזי) ו IfcRelContainedInSpatialStructure (היררכיה מרחבית). יחסים אלה ממופים ישירות אל קשתות הגרף שלנו. בניגוד למודלי שפה גדולים שמתקשים "לראות" אם שני קווים נוגעים, סכמת ה-IFC מגדירה קישוריות זו במפורש, והמפרסר שלנו לוכד אותה בנאמנות של 100%.12

שלב 2: שיכון צומת רב־מודאלי לאלמנט מבני יש גם תיאורים סמנטיים ("IPE 300 Steel Beam") וגם מאפיינים גיאומטריים (הרשת התלת־ממדית). אנו ממזגים מודאליות אלה לווקטור המאפיינים של הצומת 10:

●​ שיכון סמנטי: אנו משתמשים במודלי שיכון טקסט גדולים (או אונטולוגיות מתמחות כגון pyRDF2Vec) כדי להמיר את המטא־נתונים הטקסטואליים לווקטורים ממדיים גבוהים. הדבר מאפשר למודל להבין מתמטית ש-"IPE 300" ו-"HEB 300" דומים (שניהם חתכי פלדה) אך נבדלים בקיבולת. ¹³

●​ שיכון גיאומטרי: אנו מפעילים מקודדי ענן נקודות (כגון PointNet) כדי לקודד את הגיאומטריה התלת־ממדית של האלמנט לווקטור. הדבר לוכד צורות מורכבות שטקסט אינו יכול לתאר.

שלב 3: הפחתת ממדיות כדי להבטיח עיבוד יעיל, אנו מיישמים אלגוריתמים כמו t-SNE (t-distributed Stochastic Neighbor Embedding) כדי לצמצם את וקטורי המאפיינים הממדיים־גבוהים לייצוג קומפקטי ששומר על השונות הקריטית בלי התאמת־יתר.¹³

3.2 יצירה אוטומטית של מודל מבני

הפלט הסופי של צינור זה אינו תיאור טקסט, אלא קובץ קלט לניתוח מבני. מחקר הדגים שניתן לאמן רשתות עצביות גרפיות בלמידה מונחית כדי למפות ישויות BIM ישירות לפרמטרי אלמנטים סופיים (FE). ¹³

●​ חיזוי: הרשת העצבית הגרפית חוזה את פרמטרי הקשיחות הנחוצים ($EI, EA$) עבור כל צומת על בסיס השיכונים שלו.

●​ בנייה: המערכת מייצרת אוטומטית את הגדרות הצמתים והאלמנטים עבור פותרים כמו OpenSees או SAP2000 .

תהליך זה ממכן את הכנת ה"פירוק עומסים". במקום שמהנדס ימדוד ידנית שטחי תרומה וישרטט מחדש את המסגרת, הרשת העצבית הגרפית של Veriprajna חוצה את הגרף, אוגרת את מאפייני השטח של צמתי לוחות, מעבירה אותם לצמתי קורות, ומקמפלת את מטריצת העומס. ¹³

4. רשתות עצביות מונחות־פיזיקה (PINNs): מנוע הדטרמיניזם

הביקורת המשמעותית ביותר על בינה מלאכותית בהנדסה היא בעיית ה"קופסה השחורה". כיצד נוכל לבטוח ברשת עצבית בבטיחות בני אדם? Veriprajna עונה על כך ברשתות עצביות מונחות־פיזיקה (PINNs) . איננו מבקשים מהבינה המלאכותית ללמוד פיזיקה מנתונים; אנו מלמדים את הבינה המלאכותית פיזיקה על ידי הטמעת משוואות דיפרנציאליות ישירות במוחה.

4.1 הטמעת משוואות שולטות בפונקציית ההפסד

ברשת עצבית סטנדרטית, מטרת האימון היא למזער את השגיאה בין החיזוי לבין נתוני האמת ($\mathcal{L}_{data}$). ב-PINN, אנו מוסיפים שארית פיזיקלית

($\mathcal{L}_{PDE}$) לפונקציית ההפסד. ¹⁴

שקלו את משוואת הקורה של אוילר-ברנולי השולטת במרפסת:

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

כאשר $w$ היא סטייה ו $q(x)$ הוא העומס. כאשר מאמנים את מודל Veriprajna, פונקציית ההפסד מוגדרת כ:

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

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

כאן, $\hat{w}$ היא הסטייה שחזתה הרשת. אנו משתמשים בגזירה אוטומטית כדי לחשב את הנגזרות של החיזוי בדיוק. אם הרשת חוזה צורת סטייה המפרה את חוקי שיווי המשקל הסטטי, ה $\mathcal{L}_{PDE}$ איבר מזנק, וכופה על ה רשת לתקן את עצמה. ¹⁴

4.2 מקרה בוחן: גשר הספגטי ומעבר לו

יעילות גישה זו הוכחה בניסויים עדכניים, כגון חיזוי קיבולת העומס של גשרי ספגטי. ¹⁴ רשת קולמוגורוב-ארנולד מונחית־פיזיקה (PIKAN) שימשה לחיזוי עומס הכשל. על ידי שילוב האילוצים הפיזיקליים של גיאומטריית הגשר ומגבלות החומר, המודל יכול היה לחזות במדויק מגבלות משקל גם עם נתונים דלילים.

בתרחישים מורכבים יותר, כגון גשרי רכבת תחת עומסים דינמיים, רשתות PINN שימשו בהצלחה לזיהוי קווי השפעה ולחיזוי תגובות מבניות במקום שבו מודלי למידת מכונה מבוססי־נתונים־טהורים נכשלו להתכנס. ¹⁵ ה-PINN פועל כרגולריזר, ומבטיח ש "הדמיון" של הבינה המלאכותית לעולם אינו מפר את חוקי ניוטון.

4.3 רשתות DeepONet מונחות־פיזיקה במבנה גרף

Veriprajna מנצלת את חוד החנית של תחום זה: DeepONet מונחה־פיזיקה במבנה גרף (GS-PI-DeepONet) . ¹⁷

●​ DeepONet (רשת אופרטורים עמוקה): רשת עצבית שנועדה ללמוד אופרטורים (מיפויים בין מרחבי פונקציות אינסוף־ממדיים) ולא רק פונקציות. היא יכולה ללמוד את האופרטור הממפה "פונקציית התפלגות עומס" אל "פונקציית סטייה."

●​ במבנה גרף: היא מיישמת למידת אופרטורים זו על גרפים לא־מובנים (רשתות), ומאפשרת לה לטפל בגיאומטריות בניין מורכבות ולא־סדירות שרשתות CNN סטנדרטיות אינן יכולות לגעת בהן.

ארכיטקטורה זו הציגה האצות של 7–8x בהשוואה לפותרים מסורתיים של שיטת האלמנטים הסופיים (FEM) תוך שמירה על ערכי $R^2$ דיוק של עד 0.9999 . ¹⁷ משמעות הדבר היא ש Veriprajna מציעה את מהירות הבינה המלאכותית עם דיוק שיטת האלמנטים הסופיים.

5. מעקב אוטומטי אחר נתיב עומס: "עמוד השדרה" של ה מבנה

בדוגמת ה"מרפסת", הכשל הקריטי הוא לעיתים קרובות אי־רציפות בנתיב העומס—עומס מופעל על הזיז, אך אין גב־מוטה או חיבור מומנט שיעביר אותו אל ה עמוד. מודל שפה גדול רואה פיקסלים; Veriprajna רואה את נתיב העומס הראשי .

5.1 מציאת נתיבים מבוססת־מטריצה לחוסן

Veriprajna מפעילה אלגוריתמי תורת גרפים קפדניים כדי לעקוב אחר נתיבי עומס. המבנה מיוצג כמטריצת סמיכות $A$.

●​ ניתוח קישוריות: בהעלאת מטריצת הסמיכות לחזקות ($A^n$), אנו יכולים לזהות את כל הנתיבים באורך $n$ בין נקודת הפעלת העומס לבין היסוד. ¹⁸

●​ מניין נתיבים ממצה: אנו משתמשים במאתר נתיבים ממצה מבוסס־מטריצה ש מזהה את כל הנתיבים האפשריים להעברת עומס. הדבר מאפשר לנו לכמת את היתירות של המבנה. אם קיים נתיב אחד בלבד (מערכת מסוימת סטטית), למבנה יש יתירות אפס וסיכון גבוה. ¹⁹

5.2 מדד U: ויזואליזציה של העברת עומס*

כדי לספק למהנדסים תובנות אינטואיטיביות, אנו מחשבים את מדד ה-U Index *, מדד המבטא את העברת אנרגיית העיבור הפנימית ואת הקשיחות היחסית בין נקודות. ²⁰

●​ נתיב עומס ראשי (PLP): מוגדר כ"קו הרכס" של קווי המתאר של U*—המסלול הקשיח ביותר דרך המבנה.

●​ ויזואליזציית קווי זרם: באמצעות אלגוריתם רונגה-קוטה (RK4), אנו יכולים לאנטגרל את הגרדיאנט של מדד U* כדי לשרטט "קווי זרם" של כוח. ²⁰

הדבר מייצר ויזואליזציה שבה "עמוד השדרה" של הבניין נדלק. אם המרפסת בטוחה, קו הזרם של נתיב העומס הראשי יתחבר בצורה חלקה מהמעקה אל העמוד. אם היא בלתי־בטוחה (למשל, זיז "צף"), קו הזרם יסתיים בפתאומיות או יציג התבדרות עצומה ב אנרגיית עיבור. זהו אבחון חזותי הנגזר ממתמטיקה, לא הזיה חזותית הנגזרת מתמונות אימון.

5.3 התפשטות כשל וקבוצות חיתוך

שיטות תורת גרפים נוכחיות מאפשרות לנו גם למדל קריסה מתקדמת. על ידי הסרה שיטתית של צמתים (סימולציית כשל עמוד) והערכה מחדש של קישוריות הגרף (באמצעות מדדים כמו מרכזיות ביניים או יעילות), אנו יכולים לזהות קבוצות חיתוך—אשכולות קריטיים של רכיבים שכשלום מפצל את הגרף לרכיבים מנותקים.21 סימולציית "התקפת גרף" זו היא מיידית חישובית בהשוואה להרצה מחדש של ניתוח קריסה לא־ליניארי של אלמנטים סופיים, ומאפשרת ל-Veriprajna לסנן אלפי תרחישי כשל ב זמן אמת.21

6. יישום ארגוני: שכבת ה"מאמת"

עבור הלקוח הארגוני—משרד ההנדסה הגדול, הרגולטור הממשלתי, יזם הנדל"ן—Veriprajna מציעה מודל פריסה ספציפי. אין אנו שואפים להחליף את ה מהנדס; אנו שואפים להחליף את ה_אי־ודאות_ של אימוץ בינה מלאכותית.

6.1 זרימת העבודה "אדם-בלולאה"

עתיד התכנון כולל בינה מלאכותית יוצרת, אך הוא דורש שכבת מאמת .

1.​ שכבה יוצרת (הסתברות): אדריכלים משתמשים בכלים כמו Midjourney או מודלים רב־מודאליים כדי לייצר מושגים יצירתיים ("הראה לי מרפסת זיזית עם מעקה פרמטרי"). זהו תחום ההסתברות.

2.​ שכבת Veriprajna (דטרמיניזם):

○​ המושג מפורסר לגרף BIM .

○​ בדיקת טופולוגיה: האם הגרף קשור? (אלגוריתמי DFS/BFS).

○​ בדיקת נתיב עומס: האם נתיב העומס הראשי מגיע ליסוד? (מדד U*).

○​ בדיקת פיזיקה: האם המאמצים שחזו ה-PINN מקיימים $\sigma < f_y$? (הפסד PDE).

3.​ משוב: אם בדיקת הפיזיקה נכשלת, Veriprajna מחזירה אילוץ קשיח אל ה מודל היוצר ("הגדל את עומק הקורה ב-200mm" או "הוסף חיבור גב־מוטה"), וכופה יצירה מחדש שתקפה פיזיקלית. ⁵

6.2 יעילות נתונים ואבטחה

יתרון מרכזי של גישת GNN/PINN הוא יעילות נתונים . מודלי שפה גדולים דורשים פטה־בייטים של נתוני אימון (כל האינטרנט) כדי ללמוד "אווירה" של איך בניין נראה. רשתות PINN, משום שהן מוגבלות על ידי משוואות פיזיקה, יכולות להיות מאומנות על נתונים מצומצמים . ¹⁴

●​ הכללה: רשת עצבית גרפית שאומנה על מערך נתונים של מסגרות פלדה מוכללת היטב לפלדה חדשה מסגרות משום שהפיזיקה הבסיסית (חוק הוק) אינה משתנה.

●​ פרטיות: משום שהמודלים קטנים יותר ומתמחים, ניתן לפרוס אותם באתר הארגון . לקוחות אינם צריכים לשלוח קניין רוחני רגיש (שרטוטים של מתקנים גרעיניים או מרכזי נתונים) אל API ציבורי כמו OpenAI. "מנוע הפיזיקה" חי על השרת שלכם.

6.3 הסבריות: ה"קופסה השקופה"

משום שרשתות עצביות גרפיות פועלות על צמתים הממופים 1:1 לעצמים פיזיים, הן ניתנות לפרשנות מטבען.

●​ משקלי קשב: אנו יכולים להמחיש את משקלי הקשב של הרשת העצבית הגרפית כדי לראות בדיוק אילו שכנים השפיעו על חיזוי הכשל של צומת.

●​ עקיבות: "העמוד נכשל משום שהעומס שהועבר מקורה A ומקורה B חרג מהקיבולת." ​

זוהי הקופסה השקופה של הבינה המלאכותית, בניגוד חד ל"קופסה השחורה" של מודלי שפה גדולים שבה ה הנמקה חבויה במיליארדי פרמטרים שאינם ניתנים לפרשנות.23

7. ניתוח השוואתי: היתרון של Veriprajna

יכולת	מודל שפה גדול רב־מודאלי סטנדרטי	Veriprajna (GDL/PINN)
פעולה ליבתית	חיזוי האסימון הבא	העברת הודעות (העברת כוח)
חלון הקשר	אסימונים מוגבלים (שכחני)	קישוריות גרף אינסופית
הבטחת בטיחות	"זה נראה בטוח" (הזיה)	"השארית הפיזיקלית היא בקירוב 0" (מאומת)
ניתוב עומס	הערכה חזותית (ניחוש)	מעבר בגרף (אלגוריתם)
טיפול באילוצים	רך (לעיתים קרובות מתעלמים)	קשיח (משוואות דיפרנציאליות חלקיות בפונקציית ההפסד)
ניתנות לפרשנות	קופסה שחורה	קופסה שקופה (ברמת־צומת קשב)
נתוני אימון	האינטרנט (מוטה/רועש)	משוואות פיזיקה + נתונים מובנים

8. סיכום: יסוד המתמטיקה

ענף הבנייה ייחודי. בתוכנה, "באג" הוא מטרד. בענף שלנו, "באג" הוא טרגדיה. מעגל ההייפ סביב בינה מלאכותית יוצרת העלים הבחנה יסודית זו, והבטיח עתיד שבו בינה מלאכותית "מדמיינת" את ערינו.

Veriprajna דוחה את ההנחה שהנדסה צריכה להיות דמיונית באימותה. אנו קובעים שאימות הנדסי חייב להיות דטרמיניסטי . "פרדוקס המרפסת" נפתר לא על ידי אימון מזהה תמונות טוב יותר, אלא על ידי נטישת התמונה לחלוטין לטובת הגרף.

●​ ChatGPT אומר שהמרפסת בטוחה משום שראה אלפי תמונות של מרפסות, ובתמונות אלה, פיקסלי הרצפה נשארים בדרך כלל מעל פיקסלי הקרקע.

●​ פיזיקה אומרת שהמרפסת תקרוס משום שמומנט הכפיפה בקצה הקבוע חורג מקיבולת המומנט של החתך ($\sum M > M_{cap}$).

Veriprajna היא הפלטפורמה שמאפשרת לכם להקשיב לפיזיקה. אנו בונים על יסוד של תורת גרפים, למידה עמוקה גיאומטרית, ומשוואות דיפרנציאליות. איננו מנחשים פיקסלים. אנו מחשבים עומסים.

האם אתם בונים על יסוד של מתמטיקה, או של הסתברות?

נתוני מחקר וציטוטים

●​ מגבלות מודלי שפה גדולים: ³ (כשלי הנמקה מבנית ב-DSR-Bench) ⁴ (דרישות DesignQA כשל אימות) ¹ (שיוכי טלאי ViT מול טופולוגיה) ⁵ (מדדי בינה מלאכותית יוצרת של Autodesk) ² (ארכיטקטורת ViT).

●​ יסודות למידה עמוקה גיאומטרית: ⁶ (הגדרת GDL) ⁹ (סימון ומתמטיקה של GNN) ⁷ (אוקלידי מול לא־אוקלידי) ²⁵ (הכללת GNN) ⁸ (Altair PhysicsAI ו-GDL).

●​ צינור נתונים: ¹⁰ (ייצוג גרף BIM) ¹³ (שיכונים סמנטיים ורשתות עצביות מלאכותיות) ¹² (IFC-to-BIMGraph) ²⁶ (GraphRAG ואונטולוגיות).

●​ רשתות עצביות מונחות־פיזיקה: ¹⁴ (PINNs למשקל גשר/PIKAN) ¹⁵ (סקירת PINN וגשרי רכבת) ¹⁷ (DeepONet במבנה גרף) ¹⁶ (PINN למסגרות).

●​ נתיב עומס וחוסן: ¹⁹ (מציאת נתיבים מטריצית) ²¹ (תורת גרפים לכשלי צינורות) ¹⁸ (חזקות מטריצת סמיכות) ²⁰ (מדד U* ונתיבי עומס) ²⁰ (נתיב עומס ראשי ויזואליזציה).

●​ הקשר כללי: ²⁷ (אתגרי שרטוטים יוצרים) ²⁸ (אתיקה והטיה בבינה מלאכותית) ²² (מודלים יוצרים מול מודלים שאינם יוצרים).

מקורות שצוטטו

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

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

3. Can LLMs Reason Structurally? An Evaluation via the Lens of Data ..., אוחזר ב-12 בדצמבר 2025, https://arxiv.org/pdf/2505.24069

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

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

6. Geometric Deep Learning — AI Search Algorithms for Smart Mobility, אוחזר ב-12 בדצמבר 2025, https://smartmobilityalgorithms.github.io/book/content/LearnToSearch/GeometricDeepLearning.html

7. A gentle introduction to Geometric Deep Learning - dataroots, אוחזר ב-12 בדצמבר 2025, https://dataroots.io/blog/a-gentle-introduction-to-geometric

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

9. AIDA-01-Intro to geometric deep learning, אוחזר ב-12 בדצמבר 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, אוחזר ב-12 בדצמבר 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, אוחזר ב-12 בדצמבר 2025, https://arxiv.org/html/2510.25683v1

12. graph representation learning: embedding ... - mediaTUM, אוחזר ב-12 בדצמבר 2025, https://mediatum.ub.tum.de/doc/1780983/hag373op3y69o9fnb4r9h3ecu.GRL_EC3_camera_ready.pdf

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

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

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

19. Graph-Theoretic Pathfinding for Infrastructure Robustness and ..., אוחזר ב-12 בדצמבר 2025, https://www.jsofcivil.com/article_233020_bc0a15e4051015c95980e439af441832.tpdf

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

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

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

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