決定論的分水嶺：なぜLLMは ピクセルを推測し、物理情報 グラフは荷重を計算するのか

エグゼクティブサマリー：バルコニーのパラドックス

建築・エンジニアリング・建設（AEC）産業はいま、 技術的分裂の瀬戸際に立っており、建築された 環境の安全プロファイルを今後1世紀にわたって規定する。一方の側には、魅惑的な生成 AI—大規模言語モデル（LLM）およびマルチモーダル大規模言語モデル（MLLM）であり、これらは 図面を「読める」ように見え、設計コンセプトを生成し、建築 基準について人間並みの流暢さで会話できる。もう一方の側には、厳密で不変の現実、すなわち 物理学がある。バルコニーは、テキスト記述が「堅牢」だと言うから立つわけではなく、 画素ベースの解析が手すりの視覚的存在を識別するから重力に抵抗するのでもない。それは 荷重経路が連続であり、応力分布が材料の弾性 限界内に留まり、構造の位相が支配的な微分方程式である平衡の 方程式を満たす場合にのみ立つ。

本ホワイトペーパーはVeriprajna向けに作成され、次の二者の根本的分岐を検証する。 画素ベースの確率的AI（生成AIの現在の潮流）と構造ベースの 決定論的AI（幾何学的深層学習を用いるVeriprajnaのアプローチ）。我々は、 Vision Transformerのようなユークリッド的ニューラルアーキテクチャを、構造工学の非ユークリッド的現実へ 適用することの根源的弱点を探る。最近のベンチマークの厳密な分析を通じ、 マルチモーダルLLMが言語的な 力量にもかかわらず、構造推論を課されると危険なハルシネーションを起こしやすい理由を示す。それらは 図面を予測すべき画素の集合として見るのであって、それらの画素が表す荷重を 計算しない。

対照的に、我々は幾何学的深層学習（GDL） および**物理情報ニューラルネットワーク（PINNs）**の包括的枠組みを提示する。このアプローチは、工学 図面をトークンではなく数学的グラフへ変換し、ノードは構造 部材として、エッジは荷重経路として機能する。物理法則をニューラルネットの損失関数へ直接 埋め込むことで、「これは安全か？」という確率的推測から 「これは持つか？」という決定論的計算へと移行する。

産業界は重大な問いに直面しており、Veriprajnaは数学的な 確実さで答える：あなたは数学の基盤の上に建てているのか、それとも確率の上か？

1. 安全性のハルシネーション：なぜマルチモーダルLLMは 構造推論に失敗するのか

大規模言語モデルの急速な普及は、危険な混同をもたらした。すなわち _尤もらしさ_と_正確さ_の混同である。創作やマーケティングコピーの領域では、尤もらしい 答えで十分なことが多い。構造工学では、尤もらしいが誤った答えは 破滅的である。構造解析にLLMを配備する際の中核的失敗モードは、その アーキテクチャにある。それらは次のトークンや画素を予測するよう設計された確率エンジンであり、 物理制約を解くよう設計された論理エンジンではない。

1.1 画素ベースの罠：Vision Transformerと 理解の幻想

GPT-4VやGeminiのようなマルチモーダルLLMが構造図面を「見る」とき、それは 梁、柱、荷重経路を知覚しない。画像を処理するために**Vision Transformer（ViT）**アーキテクチャを 用いる。ViTは画像を固定サイズのパッチ列（例： $16 \times 16$ 画素）に分割し、ベクトルへ平坦化し、訓練 損失を最小化するように処理する。 ¹

決定的なことに、最近の理論研究は、ViTがこの損失を「パッチ 連想」——画素クラスタ間の統計的相関——を学習することで最小化し、真の空間 位相ではないことを明らかにする。 ¹ モデルは、垂直線（柱）を含むパッチが 水平線（梁）を含むパッチに統計的に隣接しやすいと学習するかもしれない。しかしこれは 相関であり、因果的理解ではない。モデルは、 水平線が垂直線に_支持されている_ことを理解しない。垂直線が除去されても、モデルの 確率分布はわずかにシフトするかもしれないが、水平線がいまや落下しなければならないと告げる内部物理エンジンは 持っていない。

この「パッチの袋」アプローチは、LLMが精密な空間推論に苦戦する理由を説明する。 画像の画素やパッチを順列（スクランブル）する実験では、ViTは高い 分類精度をしばしば維持し、物体の厳密な空間構造ではなく テクスチャと局所パターンの存在に依拠していることを証明する。 ¹ しかし工学では、空間 構造がすべてである。「おおむね存在する」が臨界的な荷重 経路の連続性を欠く接合詳細は、90%安全ではなく、100%不安全である。図面を画素として扱うことで、LLMは 構造安定性の二値的本質を根本的に見逃す。

特徴	Vision Transformer（LLM）	工学的現実
入力単位	画素パッチ（$16 \times 16$ グリッド）	構造要素（梁、 柱）

関係	統計的相関 （注意機構）	物理的因果（荷重 伝達）
空間理解	位置埋め込み （学習される）	位相的連結性 （絶対的）
失敗モード	ハルシネーション（安全に見える）	崩壊（不安全である）
データ領域	ユークリッド（グリッド状）	非ユークリッド（グラフ状）

1.2 DSR-Benchの評決：推論ギャップの定量化

LLMが構造推論に苦戦するという仮説は単なる理論ではなく、 経験的に検証されている。**DSR-Bench（Data Structure Reasoning Benchmark）**は 最近、10の最先端LLMのアルゴリズム推論能力を、 35種の演算と4,140件の合成生成問題インスタンスにわたって評価した。 ³ 結果は LLMベース工学の推進者にとって厳しいものであった。

このベンチマークは「構造推論」——実体間の複雑な関係を理解し 操作する能力——を試すよう設計され、建物の フレーム理解の直接的な代理指標である。

●​ 性能上限： 最高性能のフロンティアモデルが達成したスコアはわずか 0.498 （1.0点満点中） であり、ハイブリッドかつ合成的な構造を含む難問インスタンスでの結果である。 ³

●​ 失敗モード： モデルは 多ホップ推論 に重大な弱点を示した （複数の中間ノードを通じて関係をたどること）および 制約充足 （厳格なユーザー定義規則の遵守）。

●​ 空間的無能： 実世界の物理構造の多次元性を模倣する空間データタスクでは 次元が上がるにつれ性能が大幅に 低下した。 ³

最も憂慮すべきことに、研究は、問題が形式的コードではなく「自然言語」で 記述されるとモデル性能が劣化することを見出した。これはLLMが（GitHubのような訓練データから記憶した） 特定の統語構造のパターンマッチングに依拠し、 真正な推論を行っていないことを示唆する。技術者が独自の、 非標準の構造問題を平易な英語で記述すると、LLMは記憶された パターンから追い出され、統計的に50%の確率で失敗する推論モードへ入る。 ³

1.3 DesignQAの証拠：要件を検証できないこと

さらなる証拠はDesignQAから来る。これは工学設計文脈で MLLMを評価するために特に構築されたベンチマークである。 ⁴ 本研究は、モデルが文書から技術要件を抽出し 設計成果物へ適用する能力に焦点を当てた。

知見は「能力の幻想」を強化した。MLLMは建築基準や工学規格の テキストを流暢に要約できたが、それらの定量的制約を設計の視覚へ正確に 適用することには失敗した。

●​ 抽出対適用： モデルは「許容される最大 たわみはいくらか？」（抽出）には答えられたが、「この特定の梁設計は 許容最大たわみを満たすか？」（適用）には答えられなかった。 ⁴

●​ 異素材バイアス： 材料選定の研究では、LLMが チタンや炭素繊維のような「異国的」または高性能材料へ強いバイアスを示し、文脈が 費用対効果の高い解を求めていてもそうなった。単にそれらの材料が 「ハイテク」訓練コーパスに頻繁に現れるからである。 ⁵

「最適に聞こえる」が文脈的に誤った答えへのこのバイアスは、 ハルシネーションリスクを際立たせる。バルコニー設計をレビューするLLMは、非常に専門的に聞こえる高強度合金の 手すりを提案するかもしれない——一方で、理論上の崩壊の実際の原因であるコンクリート片持ちスラブの 上端鉄筋の欠如に気づかない。

1.4 決定論的世界における「確率的オウム」

根本問題は領域の不一致である。構造工学は決定論的な 分野であり、物理法則に支配される。もし $\sum F_y \neq 0$であれば、構造は加速する。 確率は関与しない。LLMは確率的エンジンである。次のトークンの 確率分布に基づいてテキストを生成する。

LLMに「このバルコニーは安全か？」と尋ねても、断面二次モーメントを計算しているのではない。訓練データでその質問の後に 典型的に続くトークンを予測している。訓練データが 「構造は健全に見える」と結論づける安全点検報告を何千件も含むなら、 LLMは分析中の特定画素パッチの視覚的証拠にかかわらず、同様の安心を生成するよう統計的に バイアスされる。荷重の微積分ではなく、画素の「雰囲気」に基づいて 推測している。

2. 幾何学的深層学習：Veriprajnaの数学的 基盤

画素推測の限界を超えるため、Veriprajnaは幾何学的深層 **学習（GDL）**を基盤とする。この人工知能の分野は、ニューラルネットワークを 非ユークリッド領域、具体的にはグラフと多様体へ一般化する。 ⁶ 我々の枠組みでは、建物は 画像ではなく、グラフである。

2.1 構造の非ユークリッド的現実

標準的深層学習（CNN）はユークリッドデータ上で動作する。画像は2Dグリッド、音声は 1Dグリッド（時間）である。ユークリッド空間では「方向」と「近傍」の概念は固定である。ある画素は $(x,y)$ 常にちょうど8個の近傍を持ち（端を除く）、そのシフトは次から $(x,y)$ へ $(x+1, y)$ はどこでも一様である。 ⁷

構造は本質的に非ユークリッドである。

●​ 不規則な位相： トラスの鋼ノードは3部材に接続するかもしれず、複雑なダイアグリッドのノードは 8部材に接続するかもしれない。固定された「グリッド」はない。

●​ 固定方位なし： 梁はその連結性によって定義され、ビットマップ上の位置ではない。

図面を90度回転させるとすべての画素値が変わり標準CNNは壊れるが、 下層のグラフ（部材間の接続）は不変のままである。 ⁷

Veriprajnaが**グラフニューラルネットワーク（GNNs）**を用いるのは、それらがこの不規則性を扱うよう数学的に 設計されているからである。GNNは構造をグリッドへ押し込まず、 構造をノード（$V$）とエッジ（$E$）の集合として、その本来の位相形式で受け入れる。 ⁶

2.2 建物グラフの数学的定義

Veriprajnaシステムでは、構造モデルはグラフとして形式化される $G = (V, E)$。

ノード（$V$）：各ノードは物理的な構造部材（梁、柱、スラブ、 壁）を表す。色データ（RGB）のみを含む画素と異なり、Veriprajnaノードは特徴ベクトルを保持する豊かなデータ コンテナである $\mathbf{x}_v$：

$$\mathbf{x}_v =$$

これらの特徴はヤング率（$E$）、断面二次モーメント（$I$）、および降伏 強度（$f_y$）——計算に必要な実際の物理パラメータ——を捉える。10 エッジ（$E$）：各エッジは物理的な接続または相互作用を表す。エッジは $e_{ij}$ 部材 $i$ が部材 $j$へ荷重を伝達する場合に存在する。エッジ特徴ベクトル $\mathbf{x}_{e_{ij}}$ は接合剛性（固定対ピン）と相対 方位を捉える。

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

この表現は置換不変である。データベース内の梁リストを並べ替えても建物の物理は 変わらない。GNNはこの不変性を尊重する一方、 系列モデル（LLM内のTransformerなど）は入力順に敏感である。 ⁷

2.3 グラフ畳み込みとメッセージパッシング

Veriprajnaの推論エンジンはメッセージパッシングニューラルネットワーク（MPNN） パラダイムである。GNNでは、力が構造を流れるのと同様に、情報がグラフを流れる 。

GNNの各層 $l$ について、ノードの状態 $\mathbf{h}_v^{(l)}$ は更新される、 近傍からの「メッセージ」を集約することで $\mathcal{N}(v)$：

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

●​ $\psi^{(l)}$： メッセージ関数。構造の観点では、これは力／モーメントを計算する 近傍から $u$ ノードへ $v$伝達される。

●​ $\bigoplus$： 集約関数（例：和）。これはすべての力を合計する ノードに作用する、 $v$ すべての接続部材からの。

●​ $\phi^{(l)}$： 更新関数。これはノードの新しい状態（例：変位または 応力）を計算する $v$ 総入力力に基づいて。

積み重ねることで、 $k$ 層のGNNにより、ネットワークは情報を $k$ホップ先まで伝播する。 10層GNNは、屋根（ノードA）に作用する荷重が基礎（ノードZ）の状態へ数学的に影響することを可能にし、 実際の物理構造のグローバルな荷重経路分布を 模倣する。 ⁶

これは視覚的推測ではない。荷重経路の学習可能で微分可能なシミュレーションである。

3. BIMからグラフへ：Veriprajnaデータパイプライン

静的BIMモデルまたは2D図面から動的計算グラフへの移行は、 Veriprajnaの中核的な技術的差別化要因である。LLMが図面の「画像」を読もうとする一方、 我々のパイプラインはスキーマの「論理」を抽出する。

3.1 BIMのためのグラフ表現学習

通常IFC形式のビルディングインフォメーションモデリング（BIM）データは必要な 情報を含むが、直接の機械学習には不向きな階層的・オブジェクト指向形式である。 Veriprajnaはこれを変換するためグラフ表現学習ワークフローを用いる 。 ¹⁰

ステップ1：位相抽出 我々はIFCスキーマを解析するIFC-to-BIMGraphコンバータを用いる。 IfcRelConnectsElements（物理接続）および IfcRelContainedInSpatialStructure（空間階層）などの関係を識別する。これらの関係はグラフの エッジへ直接写像される。2本の線が触れているかを「見る」のに苦戦するLLMと異なり、IFC スキーマはこの連結性を明示的に定義し、我々のパーサはそれを100%の忠実度で捕捉する。12

ステップ2：マルチモーダルノード埋め込み 構造部材は意味記述（「IPE 300 Steel Beam」）と幾何 特性（3Dメッシュ）の双方を持つ。我々はこれらのモダリティをノードの特徴ベクトルへ融合する 10：

●​ 意味埋め込み： 大規模テキスト埋め込みモデル（またはpyRDF2Vecのような特化オントロジー）を用い、 テキストメタデータを高次元ベクトルへ変換する。これにより モデルは「IPE 300」と「HEB 300」が類似（どちらも鋼断面）だが容量では異なることを数学的に 理解できる。 ¹³

●​ 幾何埋め込み： PointNetなどの点群エンコーダを用い、要素の3D幾何を ベクトルへ符号化する。これはテキストでは記述できない複雑な形状を 捕捉する。

ステップ3：次元削減 効率的処理を確保するため、t-SNE（t-distributed Stochastic Neighbor Embedding）のようなアルゴリズムを適用し、高次元特徴ベクトルを、過学習せずに臨界分散を保持するコンパクトな 表現へ削減する。¹³

3.2 自動構造モデル生成

このパイプラインの最終出力はテキスト記述ではなく、構造解析用の入力ファイルである 。研究は、教師あり学習によりGNNを訓練し、BIM実体を有限要素（FE）パラメータへ直接 写像できることを示している。 ¹³

●​ 予測： GNNは必要な剛性パラメータ（$EI, EA$）を各 ノードについて、その埋め込みに基づき予測する。

●​ 構築： システムはソルバー向けのノードおよび要素定義を自動生成する。 OpenSees または SAP2000 など。

このプロセスは「荷重テイクダウン」準備を自動化する。技術者が手作業で 支配面積を測りフレームを描き直す代わりに、Veriprajna GNNはグラフを走査し、 スラブノードの面積属性を集約し、梁ノードへ転送し、 荷重行列を編成する。 ¹³

4. 物理情報ニューラルネットワーク（PINNs）：決定論の エンジン

工学におけるAIへの最も重大な批判は「ブラックボックス」問題である。人間の安全を ニューラルネットワークに人間の安全をどう委ねられるか？ Veriprajnaは物理情報 **ニューラルネットワーク（PINNs）**で答える。AIにデータから物理を学ぶよう求めず、AIに 物理を、微分方程式をその頭脳へ直接埋め込むことで教える。

4.1 損失関数への支配方程式の埋め込み

標準ニューラルネットワークでは、訓練目標は予測 と正解データ（$\mathcal{L}_{data}$）との誤差を最小化することである。PINNでは、物理残差

（$\mathcal{L}_{PDE}$）を損失関数に加える。 ¹⁴

バルコニーを支配するオイラー＝ベルヌーイ梁方程式を考える：

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

ここで $w$ はたわみ、 $q(x)$ は荷重である。 Veriprajnaモデルの訓練時、損失関数は次のように定義される：

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

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

ここで、 $\hat{w}$ はネットワークが予測したたわみである。自動微分を用いて 予測の導関数を厳密に計算する。ネットワークが静的平衡の法則に反するたわみ形状を 予測すると、 $\mathcal{L}_{PDE}$ 項が急増し、 ネットワークに自己修正を強いる。 ¹⁴

4.2 事例研究：スパゲッティ橋とその先

このアプローチの有効性は、スパゲッティ橋の耐荷力予測などの最近の実験で 証明されている。 ¹⁴ 物理情報コルモゴロフ–アーノルドネットワーク **（PIKAN）**が破壊荷重の予測に用いられた。橋の幾何と材料限界の物理制約を統合することで、 モデルは疎なデータでも重量限界を正確に 予測できた。

動荷重下の鉄道橋などより複雑なシナリオでは、PINNは影響線の同定と構造応答の予測に 成功裏に用いられ、従来の 純データMLモデルが収束に失敗した場面で機能した。 ¹⁵ PINNは正則化子として働き、AIの 「想像」がニュートンの法則を決して破らないことを保証する。

4.3 グラフ構造物理情報DeepONet

Veriprajnaはこの分野の最先端を活用する：グラフ構造物理情報 DeepONet（GS-PI-DeepONet）。 ¹⁷

●​ DeepONet（Deep Operator Network）： _演算子_を学習するよう設計されたニューラルネットワークであり、 （無限次元関数空間間の写像）であって、単なる関数ではない。 「荷重分布関数」を「たわみ 関数」へ写像する演算子を学習できる。

●​ グラフ構造： この演算子学習を非構造グラフ（メッシュ）上に適用し、 標準CNNが扱えない複雑で不規則な建物幾何を 扱えるようにする。

このアーキテクチャは 7–8倍の高速化 を示しており、従来の有限要素法 （FEM）ソルバーと比較して、 $R^2$ 精度値は最大 0.9999 を維持する。 ¹⁷ これは VeriprajnaがAIの速度とFEMの精度を提供することを意味する。

5. 自動荷重経路追跡：構造の 「脊柱」

「バルコニー」の例では、臨界的失敗はしばしば荷重経路の不連続である——荷重は 片持ちに作用するが、それを柱へ伝達するバックスパンやモーメント接合が ない。LLMは画素を見る。Veriprajnaは主荷重経路を見る。

5.1 レジリエンスのための行列ベース経路探索

Veriprajnaは荷重経路をたどるため厳密なグラフ理論アルゴリズムを用いる。構造は 隣接行列として表される $A$。

●​ 連結性分析： 隣接行列をべき乗（$A^n$）することで、 荷重作用点と基礎の間の長さ $n$ のすべての経路を特定できる。 ¹⁸

●​ 網羅的経路列挙： 行列ベースの網羅的経路探索を 用い、荷重伝達の_すべての_実行可能経路を特定する。これにより冗長性を 構造について定量化できる。経路が1本だけ（静定系）であれば、構造は 冗長性ゼロで高リスクである。 ¹⁹

5.2 U*指数：荷重伝達の可視化

技術者に直感的洞察を提供するため、次を表す指標である_U指数_ *を計算する。 点間の内部ひずみエネルギー伝達と相対剛性。 ²⁰

●​ 主荷重経路（PLP）： U*等高線の「尾根線」——構造を通る最も剛な 経路——として定義される。

●​ 流線可視化： **Runge-Kutta（RK4）*アルゴリズムを用い、 U指数の勾配を積分して力の「流線」を描ける。 ²⁰

これにより建物の「脊柱」が点灯する可視化が生成される。バルコニーが安全なら、 PLP流線は手すりから柱まで途切れなく接続する。不安全（例： 「浮いた」片持ち）なら、流線は突然終端するか、ひずみエネルギーに大規模な発散を 示す。これは訓練画像由来の視覚的ハルシネーションではなく、数学から導出された視覚診断である 。

5.3 破壊伝播とカットセット

現行のグラフ理論手法は進行性崩壊のモデル化も可能にする。ノードを系統的に 除去し（柱破壊を模擬）、グラフの連結性を再評価することで（媒介中心性や効率性などの 測度を使用）、カットセット——その破壊がグラフを非連結成分へ分裂させる臨界的な 部材クラスタ——を特定できる。21 この「グラフ攻撃」シミュレーションは、非線形FEM崩壊解析の再実行と比べ計算的に瞬時であり、 Veriprajnaが数千の破壊シナリオをリアルタイムで スクリーニングできる。21

6. エンタープライズ応用：「検証器」層

エンタープライズ顧客——大規模工学事務所、政府規制当局、不動産 開発業者——に対し、Veriprajnaは特定の配備モデルを提供する。置換対象は 技術者ではなく、AI導入の_不確実性_である。

6.1 「ヒューマン・イン・ザ・ループ」ワークフロー

設計の未来は生成AIを含むが、検証器層を必要とする。

1.​ 生成層（確率）： 建築家はMidjourneyやMLLMのようなツールを用い 創造的コンセプトを生成する（「パラメトリック手すり付きの片持ちバルコニーを見せて」）。 これは確率の領域である。

2.​ Veriprajna層（決定論）：

○​ コンセプトはBIMグラフへ解析される。

○​ 位相チェック： グラフは連結か？（DFS/BFSアルゴリズム）。

○​ 荷重経路チェック： 主荷重経路は基礎に到達するか？（U*指数）。

○​ 物理チェック： PINN予測応力は $\sigma < f_y$を満たすか？（PDE損失）。

3.​ フィードバック： 物理チェックが失敗すると、Veriprajnaは生成モデルへハード制約を返す （「梁せいを200mm増やせ」または「バックスパン接合を追加せよ」）。 物理的に妥当な再生成を強制する。 ⁵

6.2 データ効率とセキュリティ

GNN/PINNアプローチの大きな利点はデータ効率である。LLMは建物がどのように見えるかの「雰囲気」を学ぶためにペタバイトの 訓練データ（インターネット全体）を必要とする。PINNは 物理方程式に拘束されるため、少量データで訓練できる。 ¹⁴

●​ 汎化： 鋼フレームのデータセットで訓練されたGNNは、下層の物理（フックの法則）が変わらないため、_新しい_鋼 フレームへよく汎化する。

●​ プライバシー： モデルがより小さく特化しているため、 オンプレミスに配備できる。顧客は機微な知的財産（原子力発電所や データセンターの図面）をOpenAIのような公開APIへ送る必要がない。「物理エンジン」は自社サーバー上に存在する。

6.3 説明可能性：「ガラスボックス」

グラフニューラルネットワークは物理オブジェクトへ1:1で写像するノード上で動作するため、 本質的に解釈可能である。

●​ 注意重み： GNN注意重みを可視化し、ノードの破壊予測に影響したのが_どの_ 近傍かを正確に見られる。

●​ 追跡可能性：「柱が破壊したのは、梁Aおよび梁Bから伝達された荷重が 耐力を超えたからだ。」​

これはAIのガラスボックスであり、推論が数十億の解釈不能パラメータに隠れるLLMの「ブラックボックス」と鋭く 対比する。23

7. 比較分析：Veriprajnaの優位

能力	標準マルチモーダルLLM	Veriprajna（GDL/PINN）
中核操作	次トークン予測	メッセージパッシング（力の 伝達）
コンテキストウィンドウ	制限トークン（忘却しやすい）	無限のグラフ連結性
安全保証	「安全に見える」 （ハルシネーション）	「物理残差はおおよそ 0」（検証済み）
荷重経路	視覚推定（推測）	グラフ走査（アルゴリズム）
制約処理	ソフト（しばしば無視）	ハード（損失関数内のPDE ）
解釈可能性	ブラックボックス	ガラスボックス（ノードレベルの 注意機構）
訓練データ	インターネット（バイアス／雑音）	物理方程式＋ 構造化データ

8. 結論：数学の基盤

建設産業は独特である。ソフトウェアでは「バグ」は迷惑である。我々の産業では、 「バグ」は悲劇である。生成AIを取り巻くハイプサイクルは、この根本的な 区別を覆い隠し、AIが都市を「想像」する未来を約束してきた。

Veriprajnaは、工学の検証が想像的であるべきだという前提を拒否する。我々は 工学検証は決定論的でなければならないと主張する。「バルコニーのパラドックス」は より良い画像認識器を訓練することでではなく、画像を完全に捨てグラフを選ぶことで 解消される。

●​ ChatGPT はバルコニーが安全だと言う。何千枚ものバルコニー写真を見てきたからであり、 それらの写真では床の画素が通常、地面の画素の上に留まっている。

●​ 物理学 はバルコニーが崩壊すると言う。固定端の曲げモーメントが 断面のモーメント耐力（$\sum M > M_{cap}$）を超えるからである。

Veriprajnaは物理学に耳を傾けることを可能にするプラットフォームである。我々はグラフ理論、幾何学的深層学習、微分方程式の基盤の上に 構築する。画素を推測しない。 荷重を計算する。

あなたは数学の基盤の上に建てているのか、それとも確率の上か？

研究データと引用

●​ LLMの限界： ³ （DSR-Benchの構造推論失敗） ⁴ （DesignQAの要件 検証失敗） ¹ （ViTパッチ連想対位相） ⁵ （Autodesk生成AI ベンチマーク） ² （ViTアーキテクチャ）。

●​ 幾何学的深層学習の基礎： ⁶ （GDLの定義） ⁹ （GNN記法と数学） ⁷ （ユークリッド対非ユークリッド） ²⁵ （GNNの汎化） ⁸ （Altair PhysicsAIとGDL）。

●​ データパイプライン： ¹⁰ （BIMグラフ表現） ¹³ （意味埋め込みとANN） ¹² （IFC-to-BIMGraph） ²⁶ （GraphRAGとオントロジー）。

●​ 物理情報ニューラルネットワーク： ¹⁴ （橋梁重量／PIKAN向けPINN） ¹⁵ （PINNレビュー および鉄道橋） ¹⁷ （グラフ構造DeepONet） ¹⁶ （フレーム向けPINN）。

●​ 荷重経路とレジリエンス： ¹⁹ （行列経路探索） ²¹ （配管破壊のグラフ理論） ¹⁸ （隣接行列のべき乗） ²⁰ （U*指数と荷重経路） ²⁰ （主荷重経路 可視化）。

●​ 一般的文脈： ²⁷ （生成図面の課題） ²⁸ （AI倫理とバイアス） ²² （生成 対非生成モデル）。

参考文献

1. Vision Transformers provably learn spatial structure、2025年12月12日閲覧、 https://proceedings.neurips.cc/paper_files/paper/2022/file/f69707de866eb0805683d3521756b73f-Paper-Conference.pdf

2. Vision Transformers (ViT) Tutorial: Architecture and Code Examples - DataCamp、2025年12月12日閲覧、 https://www.datacamp.com/tutorial/vision-transformers

3. Can LLMs Reason Structurally? An Evaluation via the Lens of Data ...、2025年12月12日閲覧、 https://arxiv.org/pdf/2505.24069

4. DesignQA: A Multimodal Benchmark for Evaluating Large Language Models' Understanding of Engineering Documentation - arXiv、2025年12月12日閲覧、 https://arxiv.org/html/2404.07917v1

5. Safer by Design: Benchmarks for Generative AI - Autodesk Research、2025年12月12日閲覧、 https://www.research.autodesk.com/blog/safer-by-design-benchmarks-for-generative-ai/

6. Geometric Deep Learning — AI Search Algorithms for Smart Mobility、2025年12月12日閲覧、 https://smartmobilityalgorithms.github.io/book/content/LearnToSearch/GeometricDeepLearning.html

7. A gentle introduction to Geometric Deep Learning - dataroots、2025年12月12日閲覧、 https://dataroots.io/blog/a-gentle-introduction-to-geometric

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

9. AIDA-01-Intro to geometric deep learning、2025年12月12日閲覧、 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、2025年12月12日閲覧、 https://ec-3.org/publications/conferences/EC32025/papers/EC32025_286.pdf

11. Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics - arXiv、2025年12月12日閲覧、 https://arxiv.org/html/2510.25683v1

12. graph representation learning: embedding ... - mediaTUM、2025年12月12日閲覧、 https://mediatum.ub.tum.de/doc/1780983/hag373op3y69o9fnb4r9h3ecu.GRL_EC3_camera_ready.pdf

13. Automatic generation of Structural models from BIM models using ...、2025年12月12日閲覧、 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、2025年12月12日閲覧、 https://arxiv.org/html/2510.23117

15. Physics-Informed Neural Networks for the Structural Analysis and Monitoring of Railway Bridges: A Systematic Review - ResearchGate、2025年12月12日閲覧、 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、2025年12月12日閲覧、 https://www.mdpi.com/2673-3161/6/4/84

17. A Graph-Structured, Physics-Informed DeepONet Neural Network for ..., t b、2025年12月12日閲覧、 https://www.mdpi.com/2504-4990/7/4/137

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

19. Graph-Theoretic Pathfinding for Infrastructure Robustness and ...、2025年12月12日閲覧、 https://www.jsofcivil.com/article_233020_bc0a15e4051015c95980e439af441832.tpdf

20. load path visualization using u* index and - CORE、2025年12月12日閲覧、 https://core.ac.uk/download/pdf/524099241.pdf

21. Modeling multiple-pipe failures in stormwater networks using graph theory - IWA Publishing、2025年12月12日閲覧、 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、2025年12月12日閲覧、 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、2025年12月12日閲覧、 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、2025年12月12日閲覧、 https://pmc.ncbi.nlm.nih.gov/articles/PMC9714572/

25. Introduction to Geometric Deep Learning | ml-articles – Weights & Biases t b Wandb、2025年12月12日閲覧、 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、2025年12月12日閲覧、 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、2025年12月12日閲覧、 https://arxiv.org/html/2507.19771v1

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