Perché gli LLM indovinano i pixel mentre i grafi informati dalla fisica calcolano i carichi
Il settore AEC affronta una scelta critica: AI probabilistica basata sui pixel che allucina la sicurezza, oppure AI deterministica basata sulla struttura che calcola i carichi usando la fisica. Un balcone non regge perché un LLM dichiara che è "robusto": regge solo se il percorso dei carichi soddisfa le equazioni differenziali dell'equilibrio.
Il framework Geometric Deep Learning di Veriprajna converte i progetti in grafi matematici in cui i nodi sono elementi strutturali e gli archi sono percorsi dei carichi. Incorporando direttamente le equazioni della fisica nelle funzioni di perdita delle reti neurali, passiamo dall'indovinare in modo probabilistico al calcolare in modo deterministico.
L'insuccesso fondamentale nell'applicare gli LLM alla sicurezza strutturale
"La struttura del balcone appare solida. Il parapetto è presente e la superficie del pavimento sembra robusta. Il progetto segue i modelli architettonici standard visti in migliaia di immagini di balconi."
FALLIMENTO CRITICO RILEVATO
Interruzione del percorso dei carichi alla connessione a sbalzo
"Un balcone non regge perché una descrizione testuale lo dichiara «robusto», né resiste alla gravità perché un'analisi basata sui pixel identifica la presenza visiva di un parapetto. Regge solo se il percorso dei carichi è continuo, la distribuzione delle tensioni resta entro il limite elastico dei materiali e la topologia della struttura soddisfa le equazioni differenziali dell'equilibrio che la governano."
— Whitepaper tecnico di Veriprajna, sintesi executive
La modalità di guasto centrale: sono motori probabilistici progettati per predire token, non motori logici progettati per risolvere vincoli fisici.
I Vision Transformer dividono le immagini in patch da 16×16 pixel. Apprendono «associazioni di patch» — correlazioni statistiche tra gruppi di pixel — non una vera topologia spaziale.
Quando i pixel vengono mescolati, i ViT mantengono un'elevata accuratezza — a prova che non si affidano alla struttura spaziale. In ingegneria, la struttura spaziale è tutto.
10 LLM all'avanguardia testati su 4,140 problemi di ragionamento strutturale. Punteggio migliore: 0.498/1.0—accuratezza da lancio di moneta.
Le prestazioni degradano quando i problemi sono descritti in linguaggio naturale anziché in codice formale — gli LLM si affidano a pattern GitHub memorizzati, non al ragionamento.
Gli MLLM potevano riassumere fluentemente i codici edilizi ma non riuscivano ad applicare vincoli quantitativi agli artefatti di progetto.
Bias sui materiali esotici: gli LLM suggeriscono titanio/fibra di carbonio anche quando il contesto richiede soluzioni economicamente sostenibili — ottimizzando per ciò che "suona high-tech" piuttosto che per ciò che è corretto nel contesto.
| Caratteristica | Vision Transformer (LLM) | Realtà ingegneristica |
|---|---|---|
| Unità di input | Patch di pixel (griglia 16×16) | Elemento strutturale (trave, colonna) |
| Relazione | Correlazione statistica (attenzione) | Causalità fisica (trasferimento dei carichi) |
| 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) |
Gli LLM vedono i progetti come griglie di pixel. Se una trave nera appare su uno sfondo nero, letteralmente non riescono a vederla. Peggio ancora: potrebbero "vedere" connessioni che non esistono perché pixel adiacenti attivano i pesi di attenzione.
Analizziamo direttamente lo schema IFC/BIM. I nodi rappresentano elementi fisici con proprietà dei materiali (E, I, f_y). Gli archi rappresentano relazioni di trasferimento dei carichi definite dallo schema — non indovinate dai pixel.
Per andare oltre l'indovinare i pixel, Veriprajna si basa sul Geometric Deep Learning — la generalizzazione delle reti neurali ai domini non euclidei (grafi e varietà).
Le CNN standard operano su griglie euclidee in cui ogni pixel ha esattamente 8 vicini. Le strutture sono intrinsecamente non euclidee:
In Veriprajna, un edificio è formalizzato come G = (V, E):
A differenza dei pixel (valori RGB), i nodi contengono parametri fisici reali: modulo di Young, momento d'inerzia, limite di snervamento — i valori necessari per il calcolo.
Calcola la forza/il momento trasferiti dal vicino u al nodo v in base alle proprietà dell'arco (rigidezza della connessione, orientamento).
Somma tutte le forze agenti sul nodo v provenienti da tutti gli elementi connessi — mimando le equazioni di equilibrio ∑F.
Calcola il nuovo stato (spostamento, tensione) del nodo v in base alla forza totale in ingresso — applicando la legge di Hooke.
Impilando k livelli, un GNN a 10 livelli propaga l'informazione a 10 hop di distanza: un carico sul tetto influenza matematicamente la fondazione —una simulazione del percorso dei carichi apprendibile e differenziabile.
Il convertitore IFC-to-BIMGraph analizza lo schema IFC. Identifica IfcRelConnectsElements (connessioni fisiche) e li mappa in archi con fedeltà del 100%—nessuna congettura.
Fonde informazioni semantiche ("IPE 300 acciaio") e geometriche (mesh 3D tramite PointNet) in vettori di nodo. Il modello comprende che IPE 300 ≈ HEB 300 ma con capacità diverse.
Il GNN predice i parametri di rigidezza (EI, EA) e genera automaticamente i file di input FE per OpenSees/SAP2000 — automatizzando la preparazione della discesa dei carichi.
Non chiediamo all'AI di imparare la fisica dai dati. Noi insegniamo la fisica all'AI incorporando le equazioni differenziali direttamente nella funzione di perdita.
Si consideri l'equazione della trave di Euler-Bernoulli che governa la deflessione di un balcone:
La funzione di perdita totale diventa:
Utilizzando la Differenziazione Automatica, calcoliamo esattamente le derivate della predizione della rete. Se la deflessione predetta viola l'equilibrio, L_PDE cresce bruscamente, forzando la correzione.
Una Physics-Informed Kolmogorov Arnold Network (PIKAN) ha predetto i carichi di rottura con dati scarsi, integrando i vincoli di geometria e dei limiti dei materiali.
Le PINN hanno identificato le linee di influenza sotto carichi dinamici, dove il ML puramente basato sui dati non riusciva a convergere. La fisica agisce da regolarizzatore—l'immaginazione dell'AI non viola mai le leggi di Newton.
Veriprajna sfrutta i Deep Operator Networks informati dalla fisica a struttura di grafo — apprendendo operatori (mappe tra spazi funzionali a dimensione infinita) su grafi non strutturati.
Un LLM vede i pixel. Veriprajna vede il Percorso dei Carichi Principale — tracciato rigorosamente mediante algoritmi di teoria dei grafi.
La struttura è rappresentata come matrice di adiacenza A. Elevando A a potenze (A^n), identifichiamo tutti i percorsi di lunghezza n tra carico e fondazione.
Calcolo dell'indice U* — metrica del trasferimento di energia di deformazione interna. Il Percorso dei Carichi Principale è definito come la "linea di cresta" delle isolinee di U* (il percorso più rigido).
Rimuove sistematicamente nodi (simulando il guasto di una colonna) e rivaluta la connettività del grafo tramite la centralità di intermediazione. Identifica all'istante i cut set.
Veriprajna non sostituisce gli ingegneri — sostituisce l'incertezza dell'adozione dell'AI con un livello di verifica deterministico.
Gli architetti usano Midjourney/MLLM per generare concetti creativi: "Mostrami un balcone a sbalzo con parapetto parametrico"
Se la fisica fallisce, restituisce un vincolo rigido: "Aumentare l'altezza della trave di 200mm" o "Aggiungere la connessione di controcampata" — forza la rigenerazione
PINN addestrate su Small Data perché i vincoli fisici riducono lo spazio di ricerca. Gli LLM hanno bisogno di petabyte per imparare le "vibes".
I GNN mappano 1:1 sugli oggetti fisici. Possiamo visualizzare i pesi di attenzione e tracciare esattamente perché è stata fatta una predizione.
In contrasto con la "black box" degli LLM, in cui il ragionamento è nascosto in miliardi di parametri non interpretabili.
| Capacità | LLM multimodale standard | Veriprajna (GDL/PINN) |
|---|---|---|
| Operazione fondamentale | Predizione del token successivo | Message passing (trasferimento di forze) |
| Finestra di contesto | Token limitati (dimenticano) | Connettività del grafo illimitata |
| Garanzia di sicurezza | "Sembra sicuro" (allucinazione) | "Residuo fisico ≈ 0" (verificato) |
| Tracciamento del percorso dei carichi | Stima visiva (congettura) | Attraversamento del grafo (algoritmo) |
| Gestione dei vincoli | Morbidi (spesso ignorati) | Rigidi (PDE nella funzione di perdita) |
| Interpretabilità | Black box | Glass box (attenzione a livello di nodo) |
| Dati di addestramento | Internet (distorsionata/rumorosa) | Equazioni della fisica + dati strutturati |
| Accuratezza (ragionamento strutturale) | 49.8% (DSR-Bench) | R² = 0.9999 |
| Distribuzione | API cloud (rischio per la privacy) | On-premise (sicuro) |
Il settore delle costruzioni è unico. Nel software, un "bug" è un fastidio. Nel nostro settore, un "bug" è una tragedia. Il ciclo dell'hype attorno all'AI generativa ha oscurato questa distinzione fondamentale.
"Il balcone è sicuro perché ha visto migliaia di foto di balconi e, in quelle foto, i pixel del pavimento di solito stanno sopra i pixel del terreno."
"Il balcone crollerà perché il momento flettente all'incastro supera il momento resistente della sezione: ∑M > M_cap"
Veriprajna è la piattaforma che permette di ascoltare la Fisica.
Costruiamo sulle fondamenta di Teoria dei grafi, Geometric Deep Learning e Equazioni differenziali. Non indoviniamo i pixel. Calcoliamo i carichi.
I Vision Transformer dividono i progetti in patch di 16x16 pixel e apprendono correlazioni statistiche, non causalità fisica. I test DSR-Bench su 10 LLM all'avanguardia con 4,140 problemi di ragionamento strutturale hanno mostrato un punteggio migliore di soli 0.498 su 1.0, ovvero un'accuratezza da lancio di moneta. Non riescono a eseguire ragionamento multi-hop, a soddisfare i vincoli né a rilevare le interruzioni del percorso dei carichi che causano il collasso strutturale.
Le PINN incorporano equazioni differenziali governanti, come l'equazione della trave di Euler-Bernoulli, direttamente nella funzione di perdita. Utilizzando la Differenziazione Automatica, la deflessione predetta dalla rete viene verificata rispetto alle equazioni di equilibrio. Se la predizione viola la fisica, il termine di perdita PDE cresce bruscamente e forza la correzione, raggiungendo un'accuratezza R-squared di 0.9999 a 7-8x la velocità dei solutori FEM tradizionali.
La pipeline IFC-to-BIMGraph di Veriprajna analizza direttamente lo schema IFC, estraendo le relazioni IfcRelConnectsElements per creare gli archi del grafo con fedeltà di connettività del 100%. I nodi rappresentano elementi strutturali con proprietà fisiche come modulo di Young, momento d'inerzia e limite di snervamento. Gli embedding multimodali fondono dati semantici e geometrici in vettori di nodo per l'elaborazione GNN.
Veriprajna offre distribuzione enterprise, addestramento personalizzato di modelli sui tuoi dati BIM e integrazione con le pipeline CAD/BIM esistenti.
Report tecnico completo con 28 citazioni peer-reviewed: architettura hardware, Message Passing Neural Networks, matematica delle PINN, benchmark prestazionali del Graph-Structured DeepONet, specifiche della pipeline IFC-to-BIMGraph.