Por que LLMs adivinham pixels enquanto grafos informados pela física calculam cargas
O setor AEC enfrenta uma escolha crítica: IA Probabilística Baseada em Pixels que alucina segurança, ou IA Determinística Baseada na Estrutura que calcula cargas usando a física. Uma sacada não fica de pé porque um LLM diz que ela é "robusta"—ela só fica de pé se a trajetória de carga satisfizer as equações diferenciais de equilíbrio.
A estrutura de Aprendizado Geométrico Profundo da Veriprajna converte plantas em grafos matemáticos, em que os nós são elementos estruturais e as arestas são trajetórias de carga. Ao incorporar equações da física diretamente nas funções de perda das redes neurais, saímos da adivinhação probabilística para o cálculo determinístico.
A falha fundamental de aplicar LLMs à segurança estrutural
"A estrutura da sacada parece sólida. O guarda-corpo está presente e a superfície do piso parece robusta. O desenho segue padrões arquitetônicos comuns vistos em milhares de imagens de sacadas."
FALHA CRÍTICA DETECTADA
Descontinuidade da trajetória de carga na conexão do balanço
"Uma sacada não fica de pé porque uma descrição textual diga que ela é 'robusta', nem resiste à gravidade porque uma análise baseada em pixels identifique visualmente a presença de um guarda-corpo. Ela só fica de pé se a trajetória de carga for contínua, a distribuição de tensões permanecer dentro do limite elástico dos materiais e a topologia da estrutura satisfizer as equações diferenciais de equilíbrio que a regem."
— Whitepaper Técnico da Veriprajna, Sumário Executivo
O modo de falha central: são motores probabilísticos projetados para prever tokens, não motores lógicos projetados para resolver restrições físicas.
Vision Transformers dividem imagens em patches de 16×16 pixels. Eles aprendem "associações de patches"—correlações estatísticas entre agrupamentos de pixels, não verdadeira topologia espacial.
Quando os pixels são embaralhados, os ViTs mantêm alta precisão—provando que não dependem da estrutura espacial. Na engenharia, a estrutura espacial é tudo.
10 LLMs de ponta testados em 4.140 problemas de raciocínio estrutural. Melhor pontuação: 0.498/1.0—precisão de cara-ou-coroa.
O desempenho se degrada quando os problemas são descritos em linguagem natural vs código formal—os LLMs dependem de padrões memorizados do GitHub, não de raciocínio.
MLLMs conseguiam resumir códigos de obras com fluência, mas falhavam em aplicar restrições quantitativas aos artefatos de projeto.
Viés por materiais exóticos: LLMs sugerem titânio/fibra de carbono mesmo quando o contexto exige soluções econômicas—otimizando para o que "soa high-tech" em vez do contextualmente correto.
| Característica | Vision Transformer (LLM) | Realidade da Engenharia |
|---|---|---|
| Unidade de Entrada | Patch de Pixels (grade 16×16) | Elemento Estrutural (Viga, Coluna) |
| Relação | Correlação Estatística (Atenção) | Causalidade Física (Transferência de Carga) |
| Compreensão Espacial | Embedding Posicional (Aprendido) | Conectividade Topológica (Absoluta) |
| Modo de Falha | Alucinação (Parece seguro) | Colapso (É inseguro) |
| Domínio dos Dados | Euclidiano (Tipo grade) | Não Euclidiano (Tipo grafo) |
LLMs veem plantas como grades de pixels. Se uma viga preta aparece sobre um fundo preto, eles literalmente não conseguem vê-la. Pior ainda: podem "enxergar" conexões que não existem porque pixels adjacentes acionam pesos de atenção.
Analisamos diretamente o esquema IFC/BIM. Os nós representam elementos físicos com propriedades de material (E, I, f_y). As arestas representam relações de transferência de carga definidas pelo esquema, não adivinhadas a partir de pixels.
Para transcender a adivinhação de pixels, a Veriprajna se apoia no Aprendizado Geométrico Profundo—generalizando redes neurais para domínios não euclidianos (grafos e variedades).
CNNs padrão operam em grades euclidianas onde cada pixel tem exatamente 8 vizinhos. As estruturas são inerentemente Não Euclidianas:
Na Veriprajna, um edifício é formalizado como G = (V, E):
Diferente dos pixels (valores RGB), os nós contêm parâmetros físicos reais: Módulo de Young, Momento de Inércia, Limite de Escoamento—os valores exigidos para o cálculo.
Calcula a força/o momento transferido do vizinho u para o nó v com base nas propriedades da aresta (rigidez da conexão, orientação).
Soma todas as forças que atuam no nó v vindas de todos os elementos conectados—imitando as equações de equilíbrio ∑F.
Calcula o novo estado (deslocamento, tensão) do nó v com base na força total recebida—aplicando a Lei de Hooke.
Ao empilhar k camadas, uma GNN de 10 camadas propaga informação a 10 saltos de distância: uma carga no telhado influencia matematicamente a fundação—uma simulação da trajetória de carga que é aprendível e diferenciável.
O conversor IFC-to-BIMGraph analisa o esquema IFC. Identifica IfcRelConnectsElements (conexões físicas) e mapeia para arestas com 100% de fidelidade—sem adivinhação.
Funde informação semântica ("IPE 300 Steel") e geométrica (malha 3D via PointNet) em vetores de nó. O modelo entende IPE 300 ≈ HEB 300, mas distintos em capacidade.
A GNN prevê parâmetros de rigidez (EI, EA) e gera automaticamente arquivos de entrada de elementos finitos para OpenSees/SAP2000—automatizando a preparação da descida de cargas.
Não pedimos que a IA aprenda física a partir dos dados. Nós ensinamos física à IA incorporando equações diferenciais diretamente na função de perda.
Considere a equação da viga de Euler-Bernoulli que governa a deflexão de uma sacada:
A função de perda total torna-se:
Usando Diferenciação Automática, calculamos exatamente as derivadas da previsão da rede. Se a deflexão prevista violar o equilíbrio, L_PDE dispara, forçando a correção.
A rede Physics-Informed Kolmogorov Arnold Network (PIKAN) previu cargas de colapso com dados escassos ao integrar restrições de geometria e de limite de material.
PINNs identificaram linhas de influência sob cargas dinâmicas onde o ML puramente orientado a dados falhava em convergir. A física atua como regularizador—a imaginação da IA nunca viola as Leis de Newton.
A Veriprajna emprega Graph-Structured Physics-Informed Deep Operator Networks—aprendendo operadores (mapeamentos entre espaços funcionais de dimensão infinita) em grafos não estruturados.
Um LLM vê pixels. A Veriprajna vê a Trajetória de Carga Principal—rigorosamente rastreada usando algoritmos de teoria dos grafos.
A estrutura é representada como Matriz de Adjacência A. Elevando A a potências (A^n), identificamos todos os caminhos de comprimento n entre carga e fundação.
Calcule o Índice U*—métrica de transferência de energia de deformação interna. A Trajetória de Carga Principal é definida como a "linha de crista" das curvas de nível de U* (rota mais rígida).
Remova sistematicamente nós (simule falha de coluna) e reavalie a conectividade do grafo usando Centralidade de Intermediação. Identifique Conjuntos de Corte instantaneamente.
A Veriprajna não substitui os engenheiros—we substituímos a incerteza da adoção de IA por uma camada de verificação determinística.
Arquitetos usam Midjourney/MLLMs para gerar conceitos criativos: "Mostre-me uma sacada em balanço com guarda-corpo paramétrico"
Se a física falhar, retorne uma restrição rígida: "Aumente a altura da viga em 200mm" ou "Adicione a conexão do vão posterior"—force a regeneração
PINNs treinadas com Poucos Dados porque restrições físicas reduzem o espaço de busca. LLMs precisam de petabytes para aprender "vibes".
GNNs mapeiam 1:1 para objetos físicos. Podemos visualizar os pesos de atenção e rastrear exatamente por que as previsões foram feitas.
Contraste com a "caixa-preta" dos LLMs, em que o raciocínio fica oculto em bilhões de parâmetros ininterpretáveis.
| Capacidade | LLM Multimodal Padrão | Veriprajna (GDL/PINN) |
|---|---|---|
| Operação Central | Previsão do Próximo Token | Passagem de Mensagens (Transferência de Força) |
| Janela de Contexto | Tokens Limitados (Esquecediço) | Conectividade Infinita do Grafo |
| Garantia de Segurança | "Parece seguro" (Alucinação) | "Resíduo Físico ≈ 0" (Verificado) |
| Trajetória de Carga | Estimativa Visual (Palpite) | Percurso no Grafo (Algoritmo) |
| Tratamento de Restrições | Flexível (Frequentemente ignorada) | Rígida (EDPs na Função de Perda) |
| Interpretabilidade | Caixa-Preta | Caixa de Vidro (Atenção no Nível do Nó) |
| Dados de Treinamento | A Internet (Enviesada/Ruidosa) | Equações da Física + Dados Estruturados |
| Precisão (Raciocínio Estrutural) | 49.8% (DSR-Bench) | R² = 0.9999 |
| Implantação | API em Nuvem (Risco de Privacidade) | On-Premise (Seguro) |
A indústria da construção é singular. No software, um "bug" é um aborrecimento. Na nossa indústria, um "bug" é uma tragédia. O ciclo de hype em torno da IA Generativa obscureceu essa distinção fundamental.
"A sacada é segura porque ele viu milhares de fotos de sacadas, e nessas fotos os pixels do piso geralmente ficam acima dos pixels do solo."
"A sacada vai colapsar porque o momento fletor no engaste excede a capacidade de momento da seção: ∑M > M_cap"
A Veriprajna é a plataforma que permite ouvir a Física.
Construímos sobre a fundação da Teoria dos Grafos, Aprendizado Geométrico Profundoe da Equações Diferenciais. Não adivinhamos pixels. Calculamos cargas.
Vision Transformers dividem plantas em patches de 16x16 pixels e aprendem correlações estatísticas, não causalidade física. Os testes do DSR-Bench com 10 LLMs de ponta em 4.140 problemas de raciocínio estrutural mostraram que a melhor pontuação foi de apenas 0.498 em 1.0—precisão de cara-ou-coroa. Eles não conseguem realizar raciocínio de múltiplos saltos, satisfação de restrições ou detectar descontinuidades da trajetória de carga que causam falhas estruturais.
PINNs incorporam equações diferenciais governantes, como a equação da viga de Euler-Bernoulli, diretamente na função de perda. Usando Diferenciação Automática, a deflexão prevista pela rede é verificada contra as equações de equilíbrio. Se a previsão violar a física, o termo de perda da EDP dispara e força a correção, alcançando precisão R-quadrado de 0.9999 a uma velocidade 7-8x maior que a de solvers FEM tradicionais.
O pipeline IFC-to-BIMGraph da Veriprajna analisa diretamente o esquema IFC, extraindo relacionamentos IfcRelConnectsElements para criar arestas do grafo com 100% de fidelidade de conectividade. Os nós representam elementos estruturais com propriedades físicas como Módulo de Young, Momento de Inércia e Limite de Escoamento. Embeddings multimodais fundem dados semânticos e geométricos em vetores de nó para processamento pelas GNNs.
A Veriprajna oferece implantação corporativa, treinamento personalizado de modelos com seus dados BIM e integração com pipelines CAD/BIM existentes.
Relatório técnico completo com 28 citações revisadas por pares: arquitetura de hardware, Message Passing Neural Networks, matemática das PINNs, benchmarks de desempenho do Graph-Structured DeepONet, especificações do pipeline IFC-to-BIMGraph.