確定性分野：為何 LLM 猜測像素，而物理資訊 圖計算荷載

執行摘要：陽台悖論

建築、工程與營造（AEC）產業目前正站在 一場技術分裂的懸崖上，這場分裂將定義我們建成 環境在未來一個世紀的安全輪廓。一邊是生成式 AI 的誘人承諾——大型語言模型（LLM）與多模態大型語言模型（MLLM），它們 彷彿能「讀懂」藍圖、產生設計構想，並以近乎人類的流暢度談論建築 法規。另一邊則是物理學那套嚴謹、不可更動的 現實。陽台並不會因為一段文字描述說它「堅固」就立得住，也不會因為 像素分析辨識出欄杆的視覺存在就抵抗重力。它 只有在傳力路徑連續、應力分布維持在材料的彈性 限度之內，且結構拓撲滿足控制用的微分 平衡方程式時，才會站得住。

本白皮書為 Veriprajna 撰寫，探究以下兩者之間的根本分歧： 以像素為基礎的機率式 AI（當前這波生成式 AI）與 以結構為基礎的 確定性 AI（Veriprajna 採用幾何深度學習的取徑）。我們探究 把歐幾里得神經架構——例如視覺 轉換器——套用到結構工程之非歐幾里得現實上的根本弱點。我們透過 對近期基準的嚴謹分析證明：多模態 LLM 儘管具有語言 長才，一旦被委以結構推理任務，仍容易產生危險的幻覺。它們 把藍圖視為一組有待預測的像素；並不計算那些 像素所代表的荷載。

相對地，我們提出一套完整框架，涵蓋 幾何深度學習（GDL） 與 物理資訊神經網路（PINN）。此取徑把工程 圖說轉成的不是詞元，而是數學圖：節點充當結構 構件，邊則充當傳力路徑。藉由把物理定律直接嵌入 神經網路的損失函數，我們從「這安全嗎？」的機率式猜測 走向「這撐得住嗎？」的確定性計算。

產業面臨一個關鍵問題，而 Veriprajna 以數學 確定性作答：你是建立在數學的基礎上，還是機率的基礎上？

1. 安全的幻覺：為何多模態 LLM 在結構推理上失敗

大型語言模型的迅速擴散，導致一種危險的混同：把 似真性 與 準確性 混為一談。在創意寫作或行銷文案的領域，一個看似合理的 答案往往已足夠。在結構工程中，一個看似合理但不正確的答案是 災難性的。將 LLM 部署於結構分析的核心失敗模式，在於其 架構：它們是設計來預測下一個詞元或像素的機率引擎，而不是 設計來求解物理約束的邏輯引擎。

1.1 像素陷阱：視覺轉換器與 理解的錯覺

當多模態 LLM（例如 GPT-4V 或 Gemini）「看見」結構藍圖時，它並不 感知梁、柱或傳力路徑。它採用 視覺轉換器（ViT） 架構 來處理影像。ViT 把影像切成一序列固定尺寸的圖塊（例如 $16 \times 16$ 像素），展平成向量，再加以處理以最小化訓練 損失。 ¹

關鍵的是，近期理論研究顯示，ViT 是靠學習「圖塊 關聯」——像素叢集之間的統計相關——來最小化這項損失，而非真正的空間 拓撲。 ¹ 模型可能學會：含有垂直線（柱）的圖塊 在統計上很可能與含有水平線（梁）的圖塊相鄰。然而，這 是相關，不是因果理解。模型並不理解那條 水平線是被垂直線所 支承 的。若垂直線被移除，模型的 機率分布或許會略為偏移，但它沒有內部物理引擎告訴它： 那條水平線現在必須落下。

這種「圖塊袋」取徑解釋了 LLM 為何在精確空間推理上吃力。在 把影像像素或圖塊加以排列置換（打亂）的實驗中，ViT 往往仍維持高 分類準確率，證明它們並非依賴物件嚴格的空間結構 而是依賴紋理與局部圖案的存在。 ¹ 然而在工程中，空間 結構就是一切。一個「大致都在」卻缺少關鍵傳力 路徑連續性的接頭細節，並非 90% 安全；它是 100% 不安全。把藍圖當成像素，LLM 從根本上錯過了結構穩定性的二元本質。

特徵	視覺轉換器（LLM）	工程現實
輸入單元	像素圖塊（$16 \times 16$ 網格）	結構元件（梁、 柱）

關係	統計相關 （注意力）	物理因果（荷載 傳遞）
空間理解	位置嵌入 （學習而得）	拓撲連通性 （絕對）
失敗模式	幻覺（看起來安全）	倒塌（確實不安全）
資料域	歐幾里得（類網格）	非歐幾里得（類圖）

1.2 DSR-Bench 的裁決：量化推理落差

LLM 在結構推理上吃力的假說並非僅止於理論；它已 得到經驗驗證。DSR-Bench（資料結構推理基準） 最近評估了十個最先進 LLM 的演算法推理能力，涵蓋 35 項運算與 4,140 個合成產生的問題實例。 ³ 結果令任何 LLM 工程倡議者都感到清醒。

該基準旨在測試「結構推理」——理解並 操弄實體間複雜關係的能力，這是理解 建築構架的直接代理。

●​ 效能上限： 表現最佳的前沿模型僅得到 0.498 （滿分 1.0） 於涉及混合與組合結構的挑戰實例。 ³

●​ 失敗模式： 模型在 多跳推理 （經由多個中間節點追蹤關係）與 約束滿足 （遵守嚴格的使用者自訂規則）上展現關鍵弱點。

●​ 空間無能： 在空間資料任務上——這些任務模仿現實世界物理結構的多維本質 ——效能隨維度 升高而顯著下降。 ³

最令人警惕的是，研究發現當問題以 「自然語言」描述、相較於形式化程式碼時，模型效能會退化。這表明 LLM 依賴 對特定句法結構的模式匹配（從 GitHub 這類訓練資料中記憶而來） 而非真正進行推理。當工程師用白話描述一個獨特、 非標準的結構問題時，LLM 被逼出記憶中的 模式，進入一種在統計上有 50% 時間會失敗的推理模式。 ³

1.3 DesignQA 證據：無法驗證需求

進一步證據來自 DesignQA，這是專門建構來評估 工程設計情境中 MLLM 的基準。 ⁴ 該研究聚焦於模型從文件擷取 技術需求並將其套用到設計產物上的能力。

研究發現強化了「能力錯覺」。MLLM 雖能流暢地摘要 建築法規或工程標準的文字，卻未能準確地把那些 定量約束套用到設計視覺上。

●​ 擷取 vs. 套用： 模型能回答「允許的最大 撓度是多少？」（擷取），卻無法回答「這個特定梁設計是否符合 允許的最大撓度？」（套用）。 ⁴

●​ 異材偏誤： 材料選用研究發現，LLM 對 「奇特」或高效能材料（如鈦或碳纖維）有強烈偏誤，即使 情境要求符合成本效益的方案，只因為那些材料在 「高科技」訓練語料中頻繁出現。 ⁵

這種偏向「聽起來最適」但在情境上錯誤的答案，凸顯了 幻覺風險。審查陽台設計的 LLM 可能建議高強度合金 欄杆——聽起來非常專業——卻未能注意到混凝土懸臂樓版 缺少上部鋼筋，而那才是理論倒塌的真正原因。

1.4 確定性世界中的「隨機鸚鵡」

根本問題是領域錯配。結構工程是受物理定律支配的 確定性 領域。若 $\sum F_y \neq 0$，結構便會加速。此處 不涉及任何機率。LLM 是 隨機 引擎。它們依據下一個詞元的 機率分布產生文字。

當我們問 LLM「這個陽台安全嗎？」，它並不是在計算慣性矩。它是在 預測訓練資料中通常接在該問題之後的詞元。若其訓練資料 含有數千份以「結構看來健全」作結的安全檢查報告， LLM 在統計上就偏向產生類似的安撫之詞，不論它正在分析的特定像素圖塊中的視覺 證據為何。它是依據像素的「氛圍」在猜測， 而不是依據荷載的微積分。

2. 幾何深度學習：Veriprajna 的數學 基礎

為超越像素猜測的限制，Veriprajna 建立在 幾何深度 學習（GDL） 之上。此一人工智慧領域把神經網路推廣到 非歐幾里得域，特別是圖與流形。 ⁶ 在我們的框架中，建築物不是 影像；它是一個 圖。

2.1 結構的非歐幾里得現實

標準深度學習（CNNS）操作於 歐幾里得資料。影像是 2D 網格；音訊是 1D 網格（時間）。在歐幾里得空間中，「方向」與「鄰居」的概念是固定的。位於 $(x,y)$ 的像素始終恰好有 8 個相鄰者（除非位於邊緣），且位移從 $(x,y)$ 到 $(x+1, y)$ 在各處皆均勻。 ⁷

結構本質上是 非歐幾里得 的。

●​ 不規則拓撲： 桁架中的一個鋼節點可能連到 3 個構件；一個節點在 複雜斜交網格中可能連到 8 個。沒有固定的「網格。」

●​ 沒有固定方位： 梁由其連通性定義，而非它在點陣圖中的位置。

把藍圖旋轉 90 度會改變每一個像素值，從而擊垮標準 CNN，但 底層的圖（構件之間的連接）保持不變。 ⁷

Veriprajna 採用 圖神經網路（GNN），因為它們在數學上 就是為處理這種不規則性而設計。GNN 不把結構硬塞進網格；它接受 結構作為一組節點（$V$）與邊（$E$），以其原生拓撲格式呈現。 ⁶

2.2 建築圖的數學定義

在 Veriprajna 系統中，結構模型被形式化為一個圖 $G = (V, E)$。

節點（$V$）：每個節點代表一個實體結構構件（梁、柱、樓版、 牆）。與只含色彩資料（RGB）的像素不同，Veriprajna 節點是豐富的資料 容器，持有特徵向量 $\mathbf{x}_v$：

$$\mathbf{x}_v =$$

這些特徵捕捉楊氏模數（$E$）、慣性矩（$I$）與降伏 強度（$f_y$）——計算所需的實際物理參數。10 邊（$E$）：每條邊代表實體連接或相互作用。一條邊 $e_{ij}$ 存在，若構件 $i$ 把荷載傳給構件 $j$。邊特徵向量 $\mathbf{x}_{e_{ij}}$ 捕捉接頭勁度（剛接 vs. 鉸接）與相對 方位。

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

此表示具有 排列不變性。建築物的物理並不改變，若 我們在資料庫中重排梁的清單。GNN 尊重此不變性，而 序列模型（如 LLM 中的轉換器）則對輸入順序敏感。 ⁷

2.3 圖卷積與訊息傳遞

Veriprajna 推理的引擎是 訊息傳遞神經網路（MPNN） 典範。在 GNN 中，資訊在圖中流動的方式，類似於力在 結構中流動的方式。

對每一層 $l$ 的 GNN，節點的狀態 $\mathbf{h}_v^{(l)}$ 藉由更新 聚合來自其鄰居的「訊息」 $\mathcal{N}(v)$：

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

●​ $\psi^{(l)}$： 訊息函數。以結構術語言之，這計算該力／彎矩 由鄰居傳遞 $u$ 到節點 $v$。

●​ $\bigoplus$： 聚合函數（例如求和）。這加總所有作用中的力 於節點 $v$ 來自所有相連構件。

●​ $\phi^{(l)}$： 更新函數。這計算新狀態（例如位移或 應力）於節點 $v$ 依據總輸入力。

藉由堆疊 $k$ 層 GNN，網路把資訊傳播到 $k$-跳之外。一個 10 層 GNN 讓施加於屋頂（節點 A）的荷載能在數學上影響 基礎（節點 Z）的狀態，模仿實際物理 結構的全域傳力路徑分布。 ⁶

這不是視覺猜測。這是對傳力路徑可學習、可微的模擬。

3. 從 BIM 到圖：Veriprajna 資料管線

從靜態 BIM 模型或 2D 藍圖過渡到動態計算圖，是 Veriprajna 的核心技術差異點。LLM 試圖讀取藍圖的「影像」， 我們的管線則擷取綱要的「邏輯」。

3.1 面向 BIM 的圖表示學習

建築資訊模型（BIM）資料通常為 IFC 格式，含有必要 資訊，卻是階層式、物件導向的格式，不適於直接機器 學習。Veriprajna 採用 圖表示學習 工作流程來轉換這些 資料。 ¹⁰

步驟 1：拓撲擷取 我們利用 IFC-to-BIMGraph 轉換器解析 IFC 綱要。它識別 諸如 IfcRelConnectsElements（實體連接）與 IfcRelContainedInSpatialStructure（空間階層）這類關係。這些關係被直接對映到 我們圖的邊上。與難以「看見」兩條線是否相觸的 LLM 不同，IFC 綱要明確定義此連通性，而我們的剖析器以 100% 保真度捕捉它。12

步驟 2：多模態節點嵌入 結構構件同時具有語意描述（「IPE 300 鋼梁」）與幾何 性質（3D 網格）。我們把這些模態融合進節點的特徵向量 10：

●​ 語意嵌入： 我們使用大型文字嵌入模型（或專門本體， 如 pyRDF2Vec）把文字中繼資料轉成高維向量。這 讓模型能在數學上理解「IPE 300」與「HEB 300」相似 （同為鋼斷面）但在承載力上有別。 ¹³

●​ 幾何嵌入： 我們採用點雲編碼器（如 PointNet）把 元件的 3D 幾何編碼成向量。這捕捉文字 無法描述的複雜形狀。

步驟 3：維度縮減 為確保處理效率，我們套用 t-SNE（t 分布隨機 鄰近嵌入）這類演算法，把高維特徵向量縮成緊湊 表示，保留關鍵變異且不過度擬合。¹³

3.2 自動化結構模型產生

此管線的最終輸出不是文字描述，而是結構用的 輸入檔 分析。研究已證明，GNN 可經監督式學習加以訓練，以 把 BIM 實體直接對映到有限元素（FE）參數。 ¹³

●​ 預測： GNN 預測所需的勁度參數（$EI, EA$）針對每個 節點，依據其嵌入。

●​ 建構： 系統自動產生節點與元素定義，供 OpenSees 或 SAP2000 這類求解器使用。

此過程自動化「載重傳遞」準備。工程師不必手動 量測從屬面積並重繪構架，Veriprajna GNN 遍歷該圖， 聚合樓版節點的面積屬性，將其傳到梁節點，並編製 荷載矩陣。 ¹³

4. 物理資訊神經網路（PINN）：確定性的 引擎

工程中對 AI 最重大的批評是「黑箱」問題。我們如何能 把人命安全託付給神經網路？Veriprajna 以 物理資訊 神經網路（PINN） 作答。我們不要求 AI 從資料中學習物理；我們教導 AI 物理，方法是把微分方程式直接嵌入其「大腦」。

4.1 把控制方程式嵌入損失函數

在標準神經網路中，訓練目標是最小化預測 與真實資料之間的誤差（$\mathcal{L}_{data}$）。在 PINN 中，我們加入 物理殘差

（$\mathcal{L}_{PDE}$）加入損失函數。 ¹⁴

考慮支配陽台的歐拉－伯努利梁方程式：

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

其中 $w$ 為撓度，而 $q(x)$ 為荷載。 訓練 Veriprajna 模型時，損失函數定義為：

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

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

此處， $\hat{w}$ 是網路預測的撓度。我們使用 自動微分 來 精確計算預測的導數。若網路預測的撓度形狀 違反靜力平衡定律，該 $\mathcal{L}_{PDE}$ 項便會飆升，迫使 網路自我修正。 ¹⁴

4.2 個案研究：義大利麵橋及其後

此取徑的效力已在近期實驗中得到證明，例如對 義大利麵橋承載力的預測。 ¹⁴ 一個 物理資訊科爾莫哥洛夫－阿諾德網路 (PIKAN) 被用來預測破壞荷載。藉由把物理約束整合於 橋梁幾何與材料限度，模型能夠準確預測重量限度，即使 資料稀疏。

在更複雜的情境中，例如承受動態荷載的鐵路橋，PINN 已 成功用於識別影響線並預測結構反應，而傳統 純資料機器學習模型未能收斂。 ¹⁵ PINN 充當 正則化器，確保 AI 的「想像」永不違反牛頓定律。

4.3 圖結構物理資訊 DeepONet

Veriprajna 運用此領域的最前沿：圖結構物理資訊 DeepONet（GS-PI-DeepONet）。 ¹⁷

●​ DeepONet（深度運算子網路）： 設計來學習 運算子 （無限維函數空間之間的對映）而不只是函數的神經網路。它 能學習把「荷載分布函數」對映到「撓度 函數」的運算子。

●​ 圖結構： 它把此運算子學習套用在非結構化圖（網格）上， 使其能處理複雜、不規則建築幾何，而標準 CNN 無法 觸及。

此架構已展現 7–8 倍加速，相較於傳統有限元素法 （FEM）求解器，同時維持 $R^2$ 高達 0.9999 的準確度值。 ¹⁷ 這意味著 Veriprajna 提供 AI 的速度與 FEM 的精度。

5. 自動化傳力路徑追蹤：「脊柱」之於 結構

在「陽台」例子中，關鍵失效往往是傳力路徑的間斷——荷載施加於 懸臂，卻沒有後跨或彎矩接頭把它傳到 柱。LLM 看見像素；Veriprajna 看見 主傳力路徑。

5.1 以矩陣為基礎的路徑尋找以提升韌性

Veriprajna 採用嚴謹的圖論演算法來追蹤傳力路徑。結構被 表示為 鄰接矩陣 $A$。

●​ 連通性分析： 藉由把鄰接矩陣升到冪（$A^n$），我們可以 識別荷載施加點與基礎之間所有長度為 $n$ 的路徑。 ¹⁸

●​ 窮舉路徑列舉： 我們利用以矩陣為基礎的窮舉路徑尋找器， 識別荷載傳遞的 所有 可行路徑。這讓我們能量化結構的 冗餘 。若只存在一條路徑（靜定系統），該結構 冗餘為零且風險高。 ¹⁹

5.2 U 指數：視覺化荷載傳遞*

為給工程師直觀洞察，我們計算 U 指數 *，此度量表達 點與點之間的內部應變能傳遞與相對剛度。 ²⁰

●​ 主傳力路徑（PLP）： 定義為 U* 等值線的「脊線」——穿過結構的最剛 路徑。

●​ 流線視覺化： 使用 龍格－庫塔（RK4） 演算法，我們可以積分 U* 指數的 梯度，繪製力的「流線」。 ²⁰

這產生一種視覺化，讓建築物的「脊柱」亮起。若陽台安全， PLP 流線會從欄杆無縫連到柱。若不安全（例如 「懸空」懸臂），流線會突然終止，或顯示巨大發散於 應變能。這是源自數學的視覺診斷，而非源自視覺幻覺 於訓練影像。

5.3 失效傳播與割集

當前圖論方法也讓我們能模擬連續倒塌。藉由系統性地 移除節點（模擬柱失效）並重新評估圖的連通性（使用 介數中心性或效率這類度量），我們可以識別割集——關鍵叢集 其失效會把圖分裂成不連通分量的構件。21 此「圖攻擊」模擬在計算上是即時的，相較於重跑非線性 FEM 倒塌分析，讓 Veriprajna 能篩選數千種失效情境於 即時。21

6. 企業應用：「驗證器」層

對企業客戶——大型工程事務所、政府監管者、不動產 開發商——Veriprajna 提供特定部署模型。我們的目標不是取代 工程師；我們的目標是取代 AI 採用中的 不確定性。

6.1 「人在迴路中」工作流程

設計的未來涉及生成式 AI，但需要 驗證器層。

1.​ 生成層（機率）： 建築師使用 Midjourney 或 MLLM 這類工具來 產生創意構想（「給我一個帶參數化欄杆的懸臂陽台」）。 這是機率的領域。

2.​ Veriprajna 層（確定性）：

○​ 構想被剖析成 BIM 圖。

○​ 拓撲檢查： 圖是否連通？（DFS/BFS 演算法）。

○​ 傳力路徑檢查： 主傳力路徑是否到達基礎？（U* 指數）。

○​ 物理檢查： PINN 預測的應力是否滿足 $\sigma < f_y$？（PDE 損失）。

3.​ 回饋： 若物理檢查失敗，Veriprajna 向生成模型回傳 硬約束 （「把梁深增加 200mm」或「加入後跨連接」）， 迫使產生在物理上有效的再生成。 ⁵

6.2 資料效率與資安

GNN/PINN 取徑的一大優勢是 資料效率。LLM 需要數 PB 的 訓練資料（整個網際網路）才能學會建築物「看起來」如何的「氛圍」。PINN 因受物理方程式約束，可以在 小資料 上訓練。 ¹⁴

●​ 泛化： 在鋼構架資料集上訓練的 GNN，能很好地泛化到 新的 鋼 構架，因為底層物理（虎克定律）並不改變。

●​ 隱私： 因為模型較小且專門，它們可以 地端 部署。客戶不必把敏感智慧財產（核電廠或 資料中心的藍圖）送到 OpenAI 這類公開 API。「物理引擎」住在你的伺服器上。

6.3 可解釋性：「玻璃箱」

因為圖神經網路操作於與實體物件 1:1 對映的節點上，它們 本質上可解釋。

●​ 注意力權重： 我們可以視覺化 GNN 注意力權重，以確切看見是 哪些 鄰居影響了某節點的失效預測。

●​ 可追溯性：「該柱失效，因為從梁 A 與梁 B 傳來的荷載 超過了承載力。」 ​

這是 AI 的玻璃箱，與 LLM 的「黑箱」形成鮮明對比：後者的 推理隱藏在數十億個無法詮釋的參數中。23

7. 比較分析：Veriprajna 的優勢

能力	標準多模態 LLM	Veriprajna（GDL/PINN）
核心運算	下一詞元預測	訊息傳遞（力 傳遞）
上下文視窗	有限詞元（易遺忘）	無限圖連通性
安全保證	「看起來安全」 （幻覺）	「物理殘差大致為 0」（已驗證）
傳力路徑	視覺估計（猜測）	圖遍歷（演算法）
約束處理	軟性（經常被忽略）	硬性（損失 函數中的 PDE）
可解釋性	黑箱	玻璃箱（節點層級 注意力）
訓練資料	網際網路（有偏／嘈雜）	物理方程式＋ 結構化資料

8. 結論：數學的基礎

營造產業是獨特的。在軟體中，「bug」是煩惱。在我們的產業中， 「bug」是悲劇。圍繞生成式 AI 的炒作週期掩蓋了這項根本 區別，承諾一個 AI「想像」我們城市的未來。

Veriprajna 拒絕工程驗證應當富於想像的前提。我們 主張工程驗證必須是 確定性 的。「陽台悖論」的解消 不是靠訓練更好的影像辨識器，而是徹底拋棄影像、改採 圖。

●​ ChatGPT 說陽台安全，因為它看過數千張陽台照片， 而在那些照片中，地板的像素通常停留在地面像素之上。

●​ 物理 說陽台會倒塌，因為固定端的彎矩 超過了斷面的彎矩容量（$\sum M > M_{cap}$）。

Veriprajna 是讓你能傾聽物理的平台。我們建立在 圖論、幾何深度學習與微分方程式的基礎上。我們不猜測像素。 我們計算荷載。

你是建立在數學的基礎上，還是機率的基礎上？

研究資料與引用

●​ LLM 限制： ³ （DSR-Bench 結構推理失敗） ⁴ （DesignQA 需求 驗證失敗） ¹ （ViT 圖塊關聯 vs 拓撲） ⁵ （Autodesk 生成式 AI 基準） ² （ViT 架構）。

●​ 幾何深度學習基礎： ⁶ （GDL 定義） ⁹ （GNN 記法與數學） ⁷ （歐幾里得 vs 非歐幾里得） ²⁵ （GNN 泛化） ⁸ （Altair PhysicsAI 與 GDL）。

●​ 資料管線： ¹⁰ （BIM 圖表示） ¹³ （語意嵌入與 ANN） ¹² （IFC-to-BIMGraph） ²⁶ （GraphRAG 與本體）。

●​ 物理資訊神經網路： ¹⁴ （橋梁重量／PIKAN 的 PINN） ¹⁵ （PINN 綜述 與鐵路橋） ¹⁷ （圖結構 DeepONet） ¹⁶ （框架的 PINN）。

●​ 傳力路徑與韌性： ¹⁹ （矩陣路徑尋找） ²¹ （管線失效的圖論） ¹⁸ （鄰接矩陣冪） ²⁰ （U* 指數與傳力路徑） ²⁰ （主傳力路徑 視覺化）。

●​ 一般脈絡： ²⁷ （生成式圖面挑戰） ²⁸ （AI 倫理與偏誤） ²² （生成式 vs. 非生成式模型）。

引用文獻

1. Vision Transformers provably learn spatial structure, 於 2025年12月12日存取, https://proceedings.neurips.cc/paper_files/paper/2022/file/f69707de866eb0805683d3521756b73f-Paper-Conference.pdf

2. Vision Transformers (ViT) Tutorial: Architecture and Code Examples - DataCamp, 於 2025年12月12日存取, https://www.datacamp.com/tutorial/vision-transformers

3. Can LLMs Reason Structurally? An Evaluation via the Lens of Data ..., 於 2025年12月12日存取, https://arxiv.org/pdf/2505.24069

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

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

6. Geometric Deep Learning — AI Search Algorithms for Smart Mobility, 於 2025年12月12日存取, https://smartmobilityalgorithms.github.io/book/content/LearnToSearch/GeometricDeepLearning.html

7. A gentle introduction to Geometric Deep Learning - dataroots, 於 2025年12月12日存取, https://dataroots.io/blog/a-gentle-introduction-to-geometric

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

9. AIDA-01-Intro to geometric deep learning, 於 2025年12月12日存取, 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, 於 2025年12月12日存取, https://ec-3.org/publications/conferences/EC32025/papers/EC32025_286.pdf

11. Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics - arXiv, 於 2025年12月12日存取, https://arxiv.org/html/2510.25683v1

12. graph representation learning: embedding ... - mediaTUM, 於 2025年12月12日存取, https://mediatum.ub.tum.de/doc/1780983/hag373op3y69o9fnb4r9h3ecu.GRL_EC3_camera_ready.pdf

13. Automatic generation of Structural models from BIM models using ..., 於 2025年12月12日存取, 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, 於 2025年12月12日存取, https://arxiv.org/html/2510.23117

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

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

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

19. Graph-Theoretic Pathfinding for Infrastructure Robustness and ..., 於 2025年12月12日存取, https://www.jsofcivil.com/article_233020_bc0a15e4051015c95980e439af441832.tpdf

20. load path visualization using u* index and - CORE, 於 2025年12月12日存取, https://core.ac.uk/download/pdf/524099241.pdf

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

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

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