LLM은 픽셀을 추측하고 물리 기반 그래프는 하중을 계산하는 이유
AEC 업계는 중대한 선택 앞에 있습니다: 픽셀 기반 확률론적 AI 안전에 대해 환각을 일으키는 선택지이거나, 구조 기반 결정론적 AI 물리 법칙으로 하중을 계산하는 선택지입니다. 발코니는 LLM이 "견고하다"고 말하기 때문에 서 있는 것이 아니라, 하중 경로가 평형 미분 방정식을 만족할 때만 서 있는 것입니다.
Veriprajna의 기하학적 딥러닝 프레임워크는 도면을 수학적 그래프로 변환합니다. 노드는 구조 부재이고 엣지는 하중 경로입니다. 물리 방정식을 신경망 손실 함수에 직접 내장함으로써 우리는 확률적 추측에서 결정론적 계산으로 나아갑니다.
구조 안전에 LLM을 적용할 때의 근본적 실패
"발코니 구조는 견고해 보입니다. 난간이 있고 바닥 표면이 튼튼해 보입니다. 이 디자인은 수천 장의 발코니 이미지에서 흔히 보이는 표준 건축 패턴을 따릅니다."
치명적 결함 감지됨
캔틸레버 접합부에서의 하중 경로 단절
"발코니는 텍스트 설명이 '견고하다'고 말한다고 서 있는 것이 아니며, 픽셀 기반 분석이 난간이 시각적으로 존재한다고 확인해 준다고 해서 중력에 저항하지 않습니다. 하중 경로가 연속이고, 응력 분포가 재료의 탄성 한계 안에 머무르며, 구조물의 위상이 지배 평형 미분 방정식을 만족할 때만 서 있는 것입니다."
— Veriprajna 기술 화이트페이퍼, 핵심 요약
핵심 실패 양상: 이들은 물리적 제약 조건을 풀도록 설계된 논리 엔진이 아니라, 토큰을 예측하도록 설계된 확률론적 엔진입니다.
Vision Transformer는 이미지를 16×16 픽셀 패치로 나눕니다. 이들은 픽셀 군집 간의 통계적 상관관계인 '패치 연관성'을 학습할 뿐, 진짜 공간적 위상을 학습하지 않습니다.
픽셀이 뒤섞여도 ViT는 높은 정확도를 유지합니다. 즉 공간 구조에 의존하지 않는다는 증거입니다. 공학에서 공간 구조가 곧 전부입니다.
10개 최첨단 LLM을 4,140개 구조 추론 문제로 평가했습니다. 최고 점수: 0.498/1.0—동전 던지기 수준의 정확도입니다.
문제를 형식 코드가 아닌 자연어로 기술하면 성능이 저하됩니다. LLM은 추론이 아니라 암기한 GitHub 패턴에 의존하기 때문입니다.
MLLM은 건축 코드를 유창하게 요약할 수 있었지만 설계 산출물에 정량적 제약을 적용하는 데는 실패했습니다.
특수 소재 편향: 맥락이 비용 효율적인 해법을 요구할 때도 LLM은 티타늄/카본 섬유를 제안합니다. 문맥상 올바름보다 '첨단 기술처럼 들리는 것'에 최적화하는 것입니다.
| 특성 | Vision Transformer (LLM) | 공학 현실 |
|---|---|---|
| 입력 단위 | 픽셀 패치 (16×16 그리드) | 구조 요소 (보, 기둥) |
| 관계 | 통계적 상관관계 (어텐션) | 물리적 인과성 (하중 전달) |
| 공간 이해 | 위치 임베딩 (학습됨) | 위상적 연결성 (절대적) |
| 실패 양상 | 환각 (안전해 보임) | 붕괴 (불안전함) |
| 데이터 영역 | 유클리드 (그리드형) | 비유클리드 (그래프형) |
LLM은 도면을 픽셀 격자로 봅니다. 검은 배경 위의 검은 보는 문자 그대로 볼 수 없습니다. 더 심각한 것은, 인접 픽셀이 어텐션 가중치를 발동시켜 존재하지 않는 연결을 '보게' 될 수도 있다는 점입니다.
우리는 IFC/BIM 스키마를 직접 파싱합니다. 노드는 재료 특성(E, I, f_y)을 지닌 물리적 부재를 나타내고, 엣지는 스키마에 정의된 하중 전달 관계를 나타냅니다. 픽셀에서 추측하지 않습니다.
픽셀 추측을 넘어서기 위해 Veriprajna는 기하학적 딥러닝을 기반으로 삼습니다. 신경망을 비유클리드 영역(그래프와 다양체)으로 일반화하는 것입니다.
표준 CNN은 모든 픽셀이 정확히 8개의 이웃을 가진 유클리드 그리드에서 작동합니다. 반면 구조는 본질적으로 비유클리드입니다:
Veriprajna에서 건물은 G = (V, E)로 형식화됩니다:
픽셀(RGB 값)과 달리 노드에는 실제 물리 파라미터가 들어 있습니다: 영률(Young's Modulus), 단면2차모멘트, 항복 강도 — 계산에 필요한 값들입니다.
엣지 속성(연결 강성, 방향)을 바탕으로 이웃 u에서 노드 v로 전달되는 힘/모멘트를 계산합니다.
연결된 모든 부재가 노드 v에 작용하는 힘을 합산합니다. ∑F 평형 방정식을 모방하는 것입니다.
유입되는 총 힘에 근거해 노드 v의 새로운 상태(변위, 응력)를 계산합니다. 훅의 법칙(Hooke's Law)을 적용하는 것입니다.
k개의 층을 쌓으면 10층 GNN은 10홉 떨어진 곳까지 정보를 전파합니다. 지붕의 하중이 수학적으로 기초에 영향을 미칩니다—학습 가능하고 미분 가능한 하중 경로 시뮬레이션입니다.
IFC-to-BIMGraph 변환기는 IFC 스키마를 파싱하여 IfcRelConnectsElements(물리적 연결)를 식별하고 엣지로 매핑하며, 그 충실도는 100%입니다—추측은 없습니다.
의미 정보("IPE 300 Steel")와 기하 정보(PointNet을 통한 3D 메시)를 노드 벡터로 융합합니다. 모델은 IPE 300 ≈ HEB 300과 유사함을 이해하면서도 허용능력이 서로 다름을 구분합니다.
GNN은 강성 파라미터(EI, EA)를 예측하고 OpenSees/SAP2000용 유한요소 입력 파일을 자동 생성하여 하중 흐름 해석 준비를 자동화합니다.
AI에게 데이터로부터 물리를 학습하라고 요청하지 않습니다. 우리는 AI에게 물리를 가르칩니다 손실 함수에 미분 방정식을 직접 내장함으로써.
발코니의 처짐을 지배하는 오일러-베르누이 보 방정식을 생각해 보겠습니다:
전체 손실 함수는 다음과 같습니다:
네트워크 예측의 도함수를 정확히 계산하려면 자동 미분(Automatic Differentiation)을 사용합니다. 예측된 처짐이 평형을 위반하면 L_PDE 항이 급등하여 수정을 강제합니다.
물리 기반 Kolmogorov Arnold Network(PIKAN)는 기하 제약과 재료 한계 제약을 통합하여 희소한 데이터로 파괴 하중을 예측했습니다.
PINN은 순수 데이터 기반 ML이 수렴하지 못했던 동적 하중 상황에서 영향선(influence line)을 식별했습니다. 물리는 정규화 항(regularizer) 역할을 하며—AI의 상상은 결코 뉴턴의 법칙을 위반하지 않습니다.
Veriprajna는 그래프 구조 물리 기반 딥 오퍼레이터 네트워크(Graph-Structured Physics-Informed Deep Operator Networks)를 활용합니다. 비정형 그래프 위에서 오퍼레이터(무한 차원 함수 공간 간의 사상)를 학습합니다.
LLM은 픽셀을 봅니다. Veriprajna는 주 하중 경로(Principal Load Path)를 봅니다. 그래프 이론 알고리즘으로 엄밀하게 추적한 경로입니다.
구조를 인접 행렬 A로 표현합니다. A를 거듭제곱(A^n)하면 하중과 기초 사이에 길이 n인 모든 경로를 식별할 수 있습니다.
U* 지수—내부 변형 에너지 전달 지표—를 계산합니다. 주 하중 경로는 U* 등고선의 '능선', 즉 가장 강성이 큰 경로로 정의됩니다.
노드를 체계적으로 제거하고(기둥 파괴 시뮬레이션) 매개 중심성(Betweenness Centrality)으로 그래프 연결성을 재평가합니다. 컷 세트(Cut Set)를 즉시 식별합니다.
Veriprajna는 엔지니어를 대체하지 않습니다. AI 도입의 불확실성을 결정론적 검증 계층으로 바꿀 뿐입니다.
건축가는 Midjourney/MLLM으로 창의적인 콘셉트를 생성합니다: "파라메트릭 난간이 달린 캔틸레버 발코니를 보여줘"
물리 검사가 실패하면 하드 제약을 반환합니다: "보 깊이를 200mm 늘리시오" 또는 "백스팬 접합부를 추가하시오"—재생성을 강제합니다
PINN은 소량 데이터(Small Data)만으로 학습됩니다. 물리 제약이 탐색 공간을 줄여주기 때문입니다. LLM은 '분위기(vibes)'를 학습하는 데 페타바이트가 필요합니다.
GNN은 물리 객체와 1:1로 대응됩니다. 어텐션 가중치를 시각화하고 예측이 왜 그렇게 되었는지 정확히 추적할 수 있습니다.
추론이 수십억 개의 해석 불가능한 파라미터에 숨겨져 있는 LLM '블랙 박스'와 대비됩니다.
| 역량 | 표준 멀티모달 LLM | Veriprajna (GDL/PINN) |
|---|---|---|
| 핵심 연산 | 다음 토큰 예측 | 메시지 패싱 (힘 전달) |
| 컨텍스트 창 | 제한된 토큰 (잊어버림) | 무한 그래프 연결성 |
| 안전 보장 | "안전해 보입니다" (환각) | "물리 잔차 ≈ 0" (검증됨) |
| 하중 경로 파악 | 시각적 추정 (추측) | 그래프 순회 (알고리즘) |
| 제약 처리 | 소프트 (종종 무시됨) | 하드 (손실 함수 내 PDE) |
| 해석 가능성 | 블랙 박스 | 유리 상자 (노드 수준 어텐션) |
| 학습 데이터 | 인터넷 (편향/잡음) | 물리 방정식 + 구조화된 데이터 |
| 정확도 (구조 추론) | 49.8% (DSR-Bench) | R² = 0.9999 |
| 배포 | 클라우드 API (프라이버시 위험) | 온프레미스 (보안) |
건설업계는 특수합니다. 소프트웨어에서 '버그'는 성가심에 불과하지만, 우리 업계에서 '버그'는 참사입니다. 생성 AI를 둘러싼 하이프 사이클이 이 근본적인 구분을 가려 왔습니다.
"발코니는 안전합니다. 수천 장의 발코니 사진을 학습했고, 그 사진들에서 바닥의 픽셀은 대개 지면의 픽셀 위에 있기 때문입니다."
"발코니는 붕괴합니다. 고정단의 휨 모멘트가 단면의 모멘트 허용능력을 초과하기 때문입니다: ∑M > M_cap"
Veriprajna는 물리 법칙의 말을 들을 수 있게 해 주는 플랫폼입니다.
우리의 기반은 그래프 이론, 기하학적 딥러닝, 그리고 미분 방정식입니다. 우리는 픽셀을 추측하지 않습니다. 하중을 계산합니다.
Vision Transformer는 도면을 16x16 픽셀 패치로 나누어 물리적 인과성이 아닌 통계적 상관관계를 학습합니다. 10개 최첨단 LLM을 4,140개 구조 추론 문제로 평가한 DSR-Bench 결과, 최고 점수는 1.0 만점에 0.498에 불과했으며 이는 동전 던지기 수준의 정확도입니다. 이들은 다중 홉 추론이나 제약 조건 만족을 수행하지 못하고, 구조 붕괴를 일으키는 하중 경로 단절도 감지하지 못합니다.
PINN은 오일러-베르누이 보 방정식 같은 지배 미분 방정식을 손실 함수에 직접 내장합니다. 자동 미분(Automatic Differentiation)을 통해 네트워크가 예측한 처짐을 평형 방정식과 대조 검사합니다. 예측이 물리를 위반하면 PDE 손실 항이 급등하여 수정을 강제하며, 기존 FEM 솔버보다 7-8배 빠른 속도로 R²(결정계수) 0.9999의 정확도를 달성합니다.
Veriprajna의 IFC-to-BIMGraph 파이프라인은 IFC 스키마를 직접 파싱하여 IfcRelConnectsElements 관계를 추출하고 100% 연결성 충실도로 그래프 엣지를 생성합니다. 노드는 영률(Young's Modulus), 단면2차모멘트, 항복 강도 같은 물리 특성을 지닌 구조 부재를 나타냅니다. 멀티모달 임베딩이 의미 데이터와 기하 데이터를 GNN 처리용 노드 벡터로 융합합니다.
Veriprajna는 엔터프라이즈 배포, 고객의 BIM 데이터를 활용한 맞춤 모델 학습, 기존 CAD/BIM 파이프라인과의 통합을 제공합니다.
동료 심사(peer-reviewed) 인용 28건이 포함된 완전한 기술 보고서: 하드웨어 아키텍처, 메시지 패싱 신경망(Message Passing Neural Networks), PINN 수학, 그래프 구조 DeepONet 성능 벤치마크, IFC-to-BIMGraph 파이프라인 사양.
