Il divario deterministico: perché gli LLM indovinano i pixel mentre i grafi informati dalla fisica calcolano i carichi

Sintesi esecutiva: il paradosso del balcone

Il settore dell'architettura, dell'ingegneria e delle costruzioni (AEC) si trova attualmente sull' orlo di uno scisma tecnologico, che definirà il profilo di sicurezza del nostro ambiente costruito per il prossimo secolo. Da un lato sta la promessa seducente della Generative AI—i Large Language Models (LLM) e i Multimodal Large Language Models (MLLM) che sembrano poter «leggere» i progetti, generare concetti di design e conversare sui regolamenti edilizi con fluenza simile a quella umana. Dall'altro lato sta la realtà rigorosa e immutabile della fisica. Un balcone non sta in piedi perché una descrizione testuale lo dice «robusto», né resiste alla gravità perché un'analisi basata sui pixel identifica la presenza visiva di una ringhiera. Sta in piedi solo se il percorso di carico è continuo, la distribuzione delle tensioni resta entro il limite elastico dei materiali, e la topologia della struttura soddisfa le equazioni differenziali governanti dell'equilibrio.

Questo whitepaper, preparato per Veriprajna, indaga la divergenza fondamentale tra IA probabilistica basata sui pixel (l'attuale ondata di IA generativa) e basata sulla struttura IA deterministica (l'approccio di Veriprajna che usa il Geometric Deep Learning). Esploriamo la debolezza fondativa dell'applicare architetture neurali euclidee—come i Vision Transformer—alla realtà non euclidea dell'ingegneria strutturale. Dimostriamo attraverso un'analisi rigorosa di benchmark recenti perché gli LLM multimodali, nonostante la loro padronanza linguistica, siano soggetti ad allucinazioni pericolose quando incaricati del ragionamento strutturale. Essi vedono un progetto come una collezione di pixel da predire; non calcolano i carichi che quei pixel rappresentano.

Per contrasto, presentiamo un quadro completo per il Geometric Deep Learning (GDL) e le Physics-Informed Neural Networks (PINNs) . Questo approccio converte gli schemi ingegneristici non in token, ma in grafi matematici in cui i nodi agiscono da elementi strutturali e gli archi funzionano da percorsi di carico. Incorporando le leggi della fisica direttamente nelle funzioni di perdita della rete neurale, passiamo dall'indovinare probabilistico «È sicuro?» al calcolo deterministico «Reggerà?»

Il settore affronta una domanda critica, a cui Veriprajna risponde con certezza matematica: State costruendo su una fondazione di matematica, o di probabilità?

1. L'allucinazione della sicurezza: perché gli LLM multimodali falliscono nel ragionamento strutturale

La rapida proliferazione dei Large Language Models ha portato a una pericolosa fusione di plausibilità con accuratezza . Nel dominio della scrittura creativa o del copy di marketing, una risposta plausibile è spesso sufficiente. Nell'ingegneria strutturale, una risposta plausibile ma errata è catastrofica. La modalità di guasto centrale del dispiegare LLM per l'analisi strutturale sta nella loro architettura: sono motori probabilistici progettati per predire il token o il pixel successivo, non motori logici progettati per risolvere vincoli fisici.

1.1 La trappola basata sui pixel: Vision Transformer e l'illusione della comprensione

Quando un LLM multimodale, come GPT-4V o Gemini, «vede» un progetto strutturale, non percepisce travi, pilastri o percorsi di carico. Impiega un'architettura Vision Transformer (ViT) per elaborare l'immagine. Il ViT divide l'immagine in una sequenza di patch di dimensione fissa (ad es., $16 \times 16$ pixel), le appiattisce in vettori e le elabora per minimizzare una funzione di perdita. ¹

In modo cruciale, la ricerca teorica recente rivela che i ViT minimizzano questa perdita imparando «associazioni tra patch»—correlazioni statistiche tra cluster di pixel—piuttosto che la vera topologia spaziale. ¹ Il modello potrebbe imparare che una patch contenente una linea verticale (un pilastro) è statisticamente probabile che sia adiacente a una patch contenente una linea orizzontale (una trave). Tuttavia, questa è una correlazione, non una comprensione causale. Il modello non comprende che la linea orizzontale è sostenuta dalla linea verticale. Se la linea verticale viene rimossa, la distribuzione probabilistica del modello potrebbe spostarsi leggermente, ma non ha un motore di fisica interno che gli dica che la linea orizzontale deve ora cadere.

Questo approccio «sacco di patch» spiega perché gli LLM faticano nel ragionamento spaziale preciso. In esperimenti in cui i pixel o le patch dell'immagine sono permutati (rimescolati), i ViT spesso mantengono un'elevata accuratezza di classificazione, dimostrando che non si basano sulla struttura spaziale rigorosa dell' oggetto ma sulla presenza di texture e di pattern locali. ¹ In ingegneria, tuttavia, la struttura spaziale è tutto. Un dettaglio di connessione che è «quasi lì» ma a cui manca una continuità critica del percorso di carico non è sicuro al 90%; è insicuro al 100%. Trattando i progetti come pixel, gli LLM mancano in modo fondamentale la natura binaria della stabilità strutturale.

Caratteristica	Vision Transformer (LLM)	Realtà ingegneristica
Unità di input	Patch di pixel ($16 \times 16$ griglia)	Elemento strutturale (Trave, Pilastro)

Relazione	Correlazione statistica (Attenzione)	Causalità fisica (Trasferimento di carico)
Comprensione spaziale	Embedding posizionale (Appreso)	Connettività topologica (Assoluta)
Modalità di guasto	Allucinazione (Sembra sicuro)	Collasso (È insicuro)
Dominio dei dati	Euclideo (a griglia)	Non euclideo (a grafo)

1.2 Il verdetto DSR-Bench: quantificare il divario di ragionamento

L'ipotesi che gli LLM faticano nel ragionamento strutturale non è meramente teorica; è stata convalidata empiricamente. Il DSR-Bench (Data Structure Reasoning Benchmark) ha recentemente valutato le capacità di ragionamento algoritmico di dieci LLM all'avanguardia su 35 operazioni e 4,140 istanze di problema generate sinteticamente. ³ I risultati sono stati sconcertanti per qualsiasi sostenitore dell'ingegneria basata su LLM.

Il benchmark era progettato per testare il «ragionamento strutturale»—la capacità di comprendere e manipolare relazioni complesse tra entità, un proxy diretto per comprendere l' ossatura di un edificio.

●​ Soglia di prestazione: Il modello frontier con le prestazioni migliori ha raggiunto un punteggio di soli 0.498 su 1.0 su istanze impegnative che coinvolgono strutture ibride e composizionali. ³

●​ Modalità di guasto: I modelli hanno mostrato debolezze critiche nel ragionamento multi-hop (tracciare una relazione attraverso più nodi intermedi) e nella soddisfazione dei vincoli (aderire a regole rigorose definite dall'utente).

●​ Incompetenza spaziale: Sui compiti di dati spaziali—che imitano la natura multidimensionale delle strutture fisiche del mondo reale—le prestazioni sono calate in modo significativo al crescere della dimensionalità. ³

In modo più allarmante, lo studio ha trovato che le prestazioni del modello degradano quando i problemi sono descritti in «linguaggio naturale» rispetto al codice formale. Ciò suggerisce che gli LLM si basano sul pattern-matching di strutture sintattiche specifiche (memorizzate da dati di addestramento come GitHub) piuttosto che impegnarsi in un ragionamento genuino. Quando un ingegnere descrive un problema strutturale unico, non standard in inglese semplice, l'LLM è costretto fuori dai suoi pattern memorizzati e in una modalità di ragionamento in cui fallisce statisticamente il 50% delle volte. ³

1.3 L'evidenza DesignQA: incapacità di verificare i requisiti

Ulteriore evidenza proviene da DesignQA, un benchmark costruito specificamente per valutare gli MLLM in contesti di progettazione ingegneristica. ⁴ Questo studio si è concentrato sulla capacità dei modelli di estrarre requisiti tecnici dalla documentazione e applicarli agli artefatti di progetto.

I risultati hanno rafforzato l'«illusione di competenza». Mentre gli MLLM potevano riassumere con fluenza il testo di un codice edilizio o di una norma ingegneristica, non sono riusciti ad applicare con accuratezza quei vincoli quantitativi al visivo di progetto.

●​ Estrazione vs. applicazione: I modelli potevano rispondere «Qual è la inflessione massima ammessa?» (Estrazione) ma non riuscivano a rispondere «Questo specifico progetto di trave soddisfa la inflessione massima ammessa?» (Applicazione). ⁴

●​ Bias esotico: La ricerca sulla selezione dei materiali ha trovato che gli LLM mostravano un forte bias verso materiali «esotici» o ad alte prestazioni (come il titanio o la fibra di carbonio) anche quando il contesto richiedeva soluzioni convenienti, semplicemente perché quei materiali appaiono di frequente nel corpus di addestramento «high-tech». ⁵

Questo bias verso risposte «dal suono ottimale» ma contestualmente sbagliate evidenzia il rischio di allucinazione. Un LLM che esamina il progetto di un balcone potrebbe suggerire una ringhiera in lega ad alta resistenza—suonando molto professionale—senza accorgersi che la soletta a sbalzo in calcestruzzo manca dell'armatura superiore, la causa reale del collasso teorico.

1.4 Il «pappagallo stocastico» in un mondo deterministico

La questione fondamentale è il disallineamento dei domini. L'ingegneria strutturale è un campo deterministico governato dalle leggi della fisica. Se $\sum F_y \neq 0$, la struttura accelera. Non c'è alcuna probabilità coinvolta. Gli LLM sono motori stocastici. Generano testo sulla base della distribuzione di probabilità del token successivo.

Quando chiediamo a un LLM «Questo balcone è sicuro?», esso non sta calcolando un momento d'inerzia. Sta predicendo i token che tipicamente seguono quella domanda nei suoi dati di addestramento. Se i suoi dati di addestramento contengono migliaia di rapporti di ispezione della sicurezza che concludono «la struttura appare solida», l'LLM è statisticamente sbilanciato a generare una rassicurazione simile, indipendentemente dall'evidenza visiva nella specifica patch di pixel che sta analizzando. Sta indovinando sulla base del «vibe» dei pixel, non del calcolo dei carichi.

2. Geometric Deep Learning: il fondamento matematico di Veriprajna

Per trascendere i limiti dell'indovinare i pixel, Veriprajna si fonda sul Geometric Deep Learning (GDL) . Questo campo dell'intelligenza artificiale generalizza le reti neurali a domini non euclidei, in particolare grafi e varietà. ⁶ Nel nostro quadro, un edificio non è un'immagine; è un grafo .

2.1 La realtà non euclidea delle strutture

Il Deep Learning standard (CNN) opera su dati euclidei . Le immagini sono griglie 2D; l'audio è una griglia 1D (tempo). Nello spazio euclideo, il concetto di «direzione» e di «vicino» è fisso. Un pixel in $(x,y)$ ha sempre esattamente 8 vicini (salvo al bordo), e lo spostamento da $(x,y)$ a $(x+1, y)$ è uniforme ovunque. ⁷

Le strutture sono intrinsecamente non euclidee .

●​ Topologia irregolare: Un nodo in acciaio in una travatura reticolare potrebbe collegarsi a 3 elementi; un nodo in un diagrid complesso potrebbe collegarsi a 8. Non c'è una «griglia» fissa.

●​ Nessun orientamento fisso: Una trave è definita dalla sua connettività, non dalla sua posizione in una bitmap.

Ruotare un progetto di 90 gradi cambia ogni valore di pixel, rompendo una CNN standard, ma il grafo sottostante (le connessioni tra gli elementi) resta invariante. ⁷

Veriprajna utilizza le Graph Neural Networks (GNN) perché sono matematicamente progettate per gestire questa irregolarità. Una GNN non forza la struttura in una griglia; accetta la struttura come un insieme di nodi ($V$) e archi ($E$) nel suo formato topologico nativo. ⁶

2.2 Definizione matematica del grafo dell'edificio

Nel sistema Veriprajna, un modello strutturale è formalizzato come un grafo $G = (V, E)$.

Nodi ($V$): Ogni nodo rappresenta un componente strutturale fisico (Trave, Pilastro, Soletta, Parete). A differenza di un pixel che contiene solo dati di colore (RGB), un nodo Veriprajna è un ricco dato contenitore che detiene un vettore di feature $\mathbf{x}_v$:

$$\mathbf{x}_v =$$

Queste feature catturano il modulo di Young ($E$), il momento d'inerzia ($I$) e la tensione di snervamento ($f_y$)—i parametri fisici effettivi richiesti per il calcolo.10 Archi ($E$): Ogni arco rappresenta una connessione o interazione fisica. Un arco $e_{ij}$ esiste se l'elemento $i$ trasferisce carico all'elemento $j$. Il vettore di feature dell'arco $\mathbf{x}_{e_{ij}}$ cattura la rigidezza della connessione (incastro vs. cerniera) e l'orientamento relativo.

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

Questa rappresentazione è invariante per permutazione . La fisica dell'edificio non cambia se riordiniamo l'elenco delle travi nel database. Le GNN rispettano questa invarianza, mentre i modelli a sequenza (come i Transformer negli LLM) sono sensibili all'ordine di input. ⁷

2.3 Convoluzione su grafo e message passing

Il motore del ragionamento di Veriprajna è la Message Passing Neural Network (MPNN) paradigma. In una GNN, l'informazione fluisce attraverso il grafo in modo analogo a come le forze fluiscono attraverso una struttura.

Per ogni strato $l$ della GNN, lo stato di un nodo $\mathbf{h}_v^{(l)}$ viene aggiornato aggregando «messaggi» dai suoi vicini $\mathcal{N}(v)$:

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

●​ $\psi^{(l)}$: La funzione di messaggio . In termini strutturali, questa calcola la forza/momento trasferiti dal vicino $u$ al nodo $v$.

●​ $\bigoplus$: La funzione di aggregazione (ad es., Somma). Questa somma tutte le forze che agiscono sul nodo $v$ da tutti gli elementi collegati.

●​ $\phi^{(l)}$: La funzione di aggiornamento . Questa calcola il nuovo stato (ad es., spostamento o tensione) del nodo $v$ sulla base della forza totale in ingresso.

Impilando $k$ strati di GNN, la rete propaga l'informazione $k$-hop di distanza. Una GNN a 10 strati consente a un carico applicato sul tetto (Nodo A) di influenzare matematicamente lo stato della fondazione (Nodo Z), imitando la distribuzione globale del percorso di carico della struttura fisica effettiva. ⁶

Questo non è un indovinare visivo. È una simulazione apprendibile e differenziabile del percorso di carico.

3. Dal BIM al grafo: la pipeline dati di Veriprajna

La transizione da un modello BIM statico o da un progetto 2D a un grafo di computazione dinamico è il differenziatore tecnico centrale di Veriprajna. Mentre gli LLM tentano di leggere l'«immagine» del progetto, la nostra pipeline estrae la «logica» dello schema.

3.1 Graph Representation Learning per il BIM

I dati di Building Information Modeling (BIM), di solito in formato IFC, contengono le informazioni necessarie ma in un formato gerarchico e orientato agli oggetti inadatto all'apprendimento automatico diretto. Veriprajna impiega un workflow di Graph Representation Learning per trasformare questi dati. ¹⁰

Passo 1: estrazione topologica Utilizziamo un convertitore IFC-to-BIMGraph che analizza lo schema IFC. Identifica relazioni come IfcRelConnectsElements (connessione fisica) e IfcRelContainedInSpatialStructure (gerarchia spaziale). Queste relazioni sono mappate direttamente sugli archi del nostro grafo. A differenza degli LLM che faticano a «vedere» se due linee si toccano, lo schema IFC definisce questa connettività in modo esplicito, e il nostro parser la cattura con fedeltà del 100%.12

Passo 2: embedding multimodale dei nodi Un elemento strutturale ha sia descrizioni semantiche («IPE 300 Steel Beam») sia proprietà geometriche (la mesh 3D). Fondiamo queste modalità nel vettore di feature del nodo 10:

●​ Embedding semantico: Usiamo modelli di Large Text Embedding (o ontologie specializzate come pyRDF2Vec) per convertire i metadati testuali in vettori ad alta dimensionalità. Questo consente al modello di comprendere matematicamente che «IPE 300» e «HEB 300» sono simili (entrambe sezioni in acciaio) ma distinte in capacità. ¹³

●​ Embedding geometrico: Impieghiamo encoder di nuvole di punti (come PointNet) per codificare la geometria 3D dell'elemento in un vettore. Questo cattura forme complesse che il testo non può descrivere.

Passo 3: riduzione della dimensionalità Per assicurare un'elaborazione efficiente, applichiamo algoritmi come t-SNE (t-distributed Stochastic Neighbor Embedding) per ridurre i vettori di feature ad alta dimensionalità in una compatta rappresentazione che trattiene la varianza critica senza overfitting.¹³

3.2 Generazione automatica del modello strutturale

L'output ultimo di questa pipeline non è una descrizione testuale, ma un file di input per l'analisi strutturale. La ricerca ha dimostrato che le GNN possono essere addestrate via apprendimento supervisionato a mappare le entità BIM direttamente sui parametri di elementi finiti (FE). ¹³

●​ Predizione: La GNN predice i parametri di rigidezza necessari ($EI, EA$) per ciascun nodo sulla base dei suoi embedding.

●​ Costruzione: Il sistema genera automaticamente le definizioni di nodi ed elementi per solver come OpenSees o SAP2000 .

Questo processo automatizza la preparazione del «Load Takedown». Invece che un ingegnere misuri manualmente le aree tributarie e ridisegni l'ossatura, la GNN di Veriprajna attraversa il grafo, aggrega gli attributi di area dei nodi soletta, li trasferisce ai nodi trave e compila la matrice dei carichi. ¹³

4. Physics-Informed Neural Networks (PINNs): il motore del determinismo

La critica più significativa dell'IA in ingegneria è il problema della «black box». Come possiamo fidarci di una rete neurale per la sicurezza umana? Veriprajna risponde con le Physics-Informed Neural Networks (PINNs) . Non chiediamo all'IA di imparare la fisica dai dati; insegniamo all'IA la fisica incorporando le equazioni differenziali direttamente nel suo cervello.

4.1 Incorporare le equazioni governanti nella funzione di perdita

In una rete neurale standard, l'obiettivo di addestramento è minimizzare l'errore tra la predizione e i dati di verità a terra ($\mathcal{L}_{data}$). In una PINN, aggiungiamo un residuo fisico

($\mathcal{L}_{PDE}$) alla funzione di perdita. ¹⁴

Si consideri l'equazione della trave di Euler-Bernoulli che governa il balcone:

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

Dove $w$ è l'inflessione e $q(x)$ è il carico. Nell'addestrare il modello Veriprajna, la funzione di perdita è definita come:

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

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

Qui, $\hat{w}$ è l'inflessione predetta dalla rete. Usiamo la differenziazione automatica per calcolare esattamente le derivate della predizione. Se la rete predice una forma di inflessione che viola le leggi dell'equilibrio statico, il termine $\mathcal{L}_{PDE}$ sale bruscamente, costringendo la rete a correggersi. ¹⁴

4.2 Caso di studio: il ponte di spaghetti e oltre

L'efficacia di questo approccio è stata dimostrata in esperimenti recenti, come la predizione della capacità di carico per ponti di spaghetti. ¹⁴ È stata usata una Physics-Informed Kolmogorov Arnold Network (PIKAN) per predire il carico di collasso. Integrando i vincoli fisici della geometria del ponte e i limiti dei materiali, il modello ha potuto predire con accuratezza i limiti di peso anche con dati sparsi.

In scenari più complessi, come ponti ferroviari sotto carichi dinamici, le PINN sono state usate con successo per identificare le linee di influenza e predire le risposte strutturali dove i tradizionali modelli ML solo-dati non sono riusciti a convergere. ¹⁵ La PINN agisce da regolarizzatore, assicurando che l' «immaginazione» dell'IA non violi mai le leggi di Newton.

4.3 DeepONet physics-informed a struttura di grafo

Veriprajna sfrutta l'avanguardia di questo campo: la Graph-Structured Physics-Informed DeepONet (GS-PI-DeepONet) . ¹⁷

●​ DeepONet (Deep Operator Network): Una rete neurale progettata per apprendere operatori (mappature tra spazi di funzioni a dimensione infinita) piuttosto che semplici funzioni. Può apprendere l'operatore che mappa una «funzione di distribuzione del carico» su una «inflessione Funzione».

●​ A struttura di grafo: Applica questo apprendimento di operatori su grafi non strutturati (mesh), consentendole di gestire geometrie edilizie complesse e irregolari che le CNN standard non possono toccare.

Questa architettura ha mostrato speed-up 7–8x rispetto al tradizionale metodo degli elementi finiti (FEM) mantenendo valori di accuratezza $R^2$ fino a 0.9999 . ¹⁷ Ciò significa che Veriprajna offre la velocità dell'IA con la precisione del FEM.

5. Tracciamento automatico del percorso di carico: la «spina dorsale» della struttura

Nell'esempio del «Balcone», il guasto critico è spesso una discontinuità nel percorso di carico—il carico è applicato allo sbalzo, ma non c'è una campata di ridosso né una connessione a momento per trasferirlo al pilastro. Un LLM vede pixel; Veriprajna vede il percorso di carico principale .

5.1 Pathfinding basato su matrici per la resilienza

Veriprajna impiega algoritmi rigorosi di teoria dei grafi per tracciare i percorsi di carico. La struttura è rappresentata come una matrice di adiacenza $A$.

●​ Analisi di connettività: Elevando la matrice di adiacenza a potenze ($A^n$), possiamo identificare tutti i percorsi di lunghezza $n$ tra il punto di applicazione del carico e la fondazione. ¹⁸

●​ Enumerazione esaustiva dei percorsi: Utilizziamo un pathfinder esaustivo basato su matrici che identifica tutti i percorsi fattibili per il trasferimento di carico. Questo ci consente di quantificare la ridondanza della struttura. Se esiste un solo percorso (un sistema staticamente determinato), la struttura ha ridondanza zero e rischio elevato. ¹⁹

5.2 L'indice U: visualizzare il trasferimento di carico*

Per fornire agli ingegneri insight intuitivi, calcoliamo l'indice U *, una metrica che esprime il trasferimento interno di energia di deformazione e la rigidezza relativa tra punti. ²⁰

●​ Percorso di carico principale (PLP): Definito come la «cresta» dei contorni U*—il percorso più rigido attraverso la struttura.

●​ Visualizzazione delle streamline: Usando l'algoritmo Runge-Kutta (RK4), possiamo integrare il gradiente dell'indice U* per tracciare «streamline» di forza. ²⁰

Questo genera una visualizzazione in cui la «spina dorsale» dell'edificio si illumina. Se il balcone è sicuro, la streamline PLP si collegherà senza soluzione di continuità dalla ringhiera al pilastro. Se è insicuro (ad es., uno sbalzo «fluttuante»), la streamline terminerà bruscamente o mostrerà una divergenza massiccia nell' energia di deformazione. Questa è una diagnostica visiva derivata dalla matematica, non un'allucinazione visiva derivata da immagini di addestramento.

5.3 Propagazione del guasto e cut set

I metodi attuali di teoria dei grafi ci consentono anche di modellare il collasso progressivo. Rimuovendo sistematicamente i nodi (simulando il collasso di un pilastro) e rivalutando la connettività del grafo (usando misure come Betweenness Centrality o Efficiency), possiamo identificare i cut set—cluster critici di componenti il cui guasto spezza il grafo in componenti disconnesse.21 Questa simulazione di «attacco al grafo» è computazionalmente istantanea rispetto al ricalcolare un'analisi di collasso FEM non lineare, consentendo a Veriprajna di vagliare migliaia di scenari di guasto in tempo reale.21

6. Applicazione enterprise: lo strato «Verificatore»

Per il cliente enterprise—il grande studio di ingegneria, il regolatore governativo, lo sviluppatore immobiliare—Veriprajna offre un modello di dispiegamento specifico. Non miriamo a sostituire l' ingegnere; miriamo a sostituire l'incertezza dell'adozione dell'IA.

6.1 Il workflow «human-in-the-loop»

Il futuro del progetto coinvolge l'IA generativa, ma richiede uno strato Verificatore .

1.​ Strato generativo (probabilità): Gli architetti usano strumenti come Midjourney o MLLM per generare concetti creativi («Mostrami un balcone a sbalzo con una ringhiera parametrica»). Questo è il dominio della probabilità.

2.​ Strato Veriprajna (determinismo):

○​ Il concetto è analizzato in un grafo BIM .

○​ Controllo di topologia: Il grafo è connesso? (Algoritmi DFS/BFS).

○​ Controllo del percorso di carico: Il percorso di carico principale raggiunge la fondazione? (Indice U*).

○​ Controllo di fisica: Le tensioni predette dalla PINN soddisfano $\sigma < f_y$? (Perdita PDE).

3.​ Feedback: Se il controllo di fisica fallisce, Veriprajna restituisce un vincolo hard al modello generativo («Aumenta l'altezza della trave di 200mm» o «Aggiungi una connessione di campata di ridosso»), forzando una rigenerazione che è fisicamente valida. ⁵

6.2 Efficienza dei dati e sicurezza

Un vantaggio maggiore dell'approccio GNN/PINN è l'efficienza dei dati . Gli LLM richiedono petabyte di dati di addestramento (l'intero internet) per imparare un «vibe» di come appare un edificio. Le PINN, poiché sono vincolate dalle equazioni della fisica, possono essere addestrate su Small Data . ¹⁴

●​ Generalizzazione: Una GNN addestrata su un dataset di telai in acciaio generalizza bene a nuovi telai in acciaio perché la fisica sottostante (legge di Hooke) non cambia.

●​ Privacy: Poiché i modelli sono più piccoli e specializzati, possono essere dispiegati on-premise . I clienti non devono inviare IP sensibile (progetti di centrali nucleari o data center) a una API pubblica come OpenAI. Il «motore di fisica» vive sul vostro server.

6.3 Spiegabilità: la «glass box»

Poiché le Graph Neural Networks operano su nodi che mappano 1:1 su oggetti fisici, sono intrinsecamente interpretabili.

●​ Pesi di attenzione: Possiamo visualizzare i pesi di attenzione della GNN per vedere esattamente quali vicini hanno influenzato la predizione di guasto di un nodo.

●​ Tracciabilità: «Il pilastro è collassato perché il carico trasferito dalla Trave A e dalla Trave B ha superato la capacità.» ​

Questa è la glass box dell'IA, in netto contrasto con la «black box» degli LLM in cui il ragionamento è nascosto in miliardi di parametri ininterpretabili.23

7. Analisi comparativa: il vantaggio Veriprajna

Capacità	LLM multimodale standard	Veriprajna (GDL/PINN)
Operazione principale	Predizione del token successivo	Message passing (Trasferimento di forza)
Finestra di contesto	Token limitati (Dimentico)	Connettività di grafo infinita
Garanzia di sicurezza	«Sembra sicuro» (Allucinazione)	«Il residuo fisico è circa 0» (Verificato)
Percorso di carico	Stima visiva (Indovinello)	Attraversamento del grafo (Algoritmo)
Gestione dei vincoli	Soft (spesso ignorato)	Hard (PDE nella funzione di perdita)
Interpretabilità	Black box	Glass box (Attenzione a livello di nodo)
Dati di addestramento	Internet (Distorti/Rumorosi)	Equazioni della fisica + Dati strutturati

8. Conclusione: la fondazione della matematica

Il settore delle costruzioni è unico. Nel software, un «bug» è un fastidio. Nel nostro settore, un «bug» è una tragedia. Il ciclo di hype che circonda l'IA generativa ha oscurato questa distinzione fondamentale, promettendo un futuro in cui l'IA «immagina» le nostre città.

Veriprajna rifiuta la premessa che l'ingegneria debba essere immaginativa nella sua verifica. Noi affermiamo che la verifica ingegneristica deve essere deterministica . Il «paradosso del balcone» è risolto non addestrando un migliore riconoscitore di immagini, ma abbandonando del tutto l'immagine a favore del grafo.

●​ ChatGPT dice che il balcone è sicuro perché ha visto migliaia di foto di balconi, e in quelle foto i pixel del pavimento di solito restano sopra i pixel del suolo.

●​ Fisica dice che il balcone collasserà perché il momento flettente all'estremo fisso supera la capacità di momento della sezione ($\sum M > M_{cap}$).

Veriprajna è la piattaforma che vi consente di ascoltare la Fisica. Costruiamo sulla fondazione della teoria dei grafi, del Geometric Deep Learning e delle equazioni differenziali. Non indoviniamo i pixel. Calcoliamo i carichi.

State costruendo su una fondazione di matematica, o di probabilità?

Dati di ricerca e citazioni

●​ Limiti degli LLM: ³ (fallimenti di ragionamento strutturale DSR-Bench) ⁴ (requisiti DesignQA fallimento di verifica) ¹ (associazioni tra patch ViT vs topologia) ⁵ (benchmark Autodesk Generative AI) ² (architettura ViT).

●​ Fondamenti di Geometric Deep Learning: ⁶ (definizione GDL) ⁹ (notazione e matematica GNN) ⁷ (euclideo vs non euclideo) ²⁵ (generalizzazione GNN) ⁸ (Altair PhysicsAI e GDL).

●​ Pipeline dati: ¹⁰ (rappresentazione a grafo BIM) ¹³ (embedding semantici e ANN) ¹² (IFC-to-BIMGraph) ²⁶ (GraphRAG e ontologie).

●​ Physics-Informed Neural Networks: ¹⁴ (PINN per peso di ponti/PIKAN) ¹⁵ (rassegna PINN e ponti ferroviari) ¹⁷ (DeepONet a struttura di grafo) ¹⁶ (PINN per telai).

●​ Percorso di carico e resilienza: ¹⁹ (pathfinding matriciale) ²¹ (teoria dei grafi per guasti di tubazioni) ¹⁸ (potenze della matrice di adiacenza) ²⁰ (indice U* e percorsi di carico) ²⁰ (percorso di carico principale, visualizzazione).

●​ Contesto generale: ²⁷ (sfide dei disegni generativi) ²⁸ (etica e bias dell'IA) ²² (modelli generativi vs. non generativi).

Opere citate

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

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

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

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

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

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

7. A gentle introduction to Geometric Deep Learning - dataroots, consultato il 12 dicembre 2025, https://dataroots.io/blog/a-gentle-introduction-to-geometric

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

9. AIDA-01-Intro to geometric deep learning, consultato il 12 dicembre 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, consultato il 12 dicembre 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, consultato il 12 dicembre 2025, https://arxiv.org/html/2510.25683v1

12. graph representation learning: embedding ... - mediaTUM, consultato il 12 dicembre 2025, https://mediatum.ub.tum.de/doc/1780983/hag373op3y69o9fnb4r9h3ecu.GRL_EC3_camera_ready.pdf

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

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

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

19. Graph-Theoretic Pathfinding for Infrastructure Robustness and ..., consultato il 12 dicembre 2025, https://www.jsofcivil.com/article_233020_bc0a15e4051015c95980e439af441832.tpdf

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

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

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

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