為什麼 LLM 在結構工程安全分析上會失敗？

Vision Transformer 將圖說切分成 16x16 像素圖塊，學到的是統計相關性而非物理因果。DSR-Bench 讓 10 個最先進的 LLM 在 4,140 道結構推理題上受測，最高分僅 0.498（滿分 1.0），屬擲硬幣等級的準確率。它們無法執行多跳推理、約束滿足，也無法偵測導致結構破壞的載重路徑不連續。

物理資訊神經網路如何保證結構正確性？

PINN 將歐拉-伯努利梁方程式等支配微分方程直接嵌入損失函數。利用自動微分，網路's 預測撓度會對照平衡方程式加以檢核。若預測違反物理，PDE 損失項便會飆升並迫使修正，在比傳統 FEM 求解器快 7-8 倍的速度下達到 0.9999 的 R 平方準確率。

Veriprajna 如何將 BIM 模型轉換為圖形表示？

Veriprajna's IFC-to-BIMGraph 管線直接解析 IFC 綱要，擷取 IfcRelConnectsElements 關係以建立具有 100% 連接保真度的圖形邊。節點代表具有 Young's 模數、慣性矩與降伏強度等物理性質的結構構件。多模態嵌入將語義與幾何資料融合為節點向量，供 GNN 處理。

結構工程物理資訊 AI

陽台悖論

將 LLM 應用於結構安全的根本性失效

🤖 ChatGPT 的判定

「陽台結構看起來完好。欄杆存在，樓板表面看來穩固。此設計遵循成千上萬張陽台影像中常見的標準建築模式。」

方法：詞元預測

→ Vision Transformer 圖塊（16×16 像素）

→ 統計相關性：「垂直 + 水平 = 安全」

→ 未執行任何物理計算

結果：看似合理的幻覺。缺失的背跨連接從未被偵測到。

⚙️ Veriprajna 的分析

偵測到重大失效
懸臂連接處的載重路徑不連續

方法：確定性計算

→ 圖形遍歷：載重 → 基礎的路徑已中斷

→ PINN 物理檢核：∑M = 850 kN·m > M_cap = 320 kN·m

→ U* 指標流線突然終止

不安全：超出抗彎容量 266%

「陽台不會因為文字描述稱它『穩固』就矗立，也不會因為以像素為基礎的分析辨識出畫面上有欄杆就抵禦重力。 唯有載重路徑連續、應力分布保持在材料彈性極限之內、且結構拓撲滿足支配性的平衡微分方程，它才站得住。"

— Veriprajna 技術白皮書，執行摘要

多模態 LLM 為何在結構推理上失敗

核心失效模式：它們是為預測詞元而設計的機率引擎，不是為求解物理約束而設計的邏輯引擎。

以像素為基礎的陷阱

Vision Transformer 將影像切分成 16×16 像素圖塊。它們學到的是「圖塊關聯」——像素群之間的統計相關性，而非真正的空間拓撲。

輸入：像素圖塊（256 個值）
處理：注意力權重
輸出：「看起來像一根梁」

當像素被打亂時，ViT 仍保有高準確率——證明它們並不依賴空間結構。在工程中，空間結構就是一切。

DSR-Bench 判定

10 個最先進的 LLM 在 4,140 道結構推理題上受測。最高分： 0.498/1.0——擲硬幣等級的準確率。

多跳推理：失敗

約束滿足：失敗

空間維度：衰退

相較於正式程式碼，問題改以自然語言描述時表現便會衰退——LLM 依賴的是背下來的 GitHub 模式，而非推理。

DesignQA 證據

MLLM 能流暢地摘要建築法規，卻無法把量化約束套用到設計成品上。

✓「最大撓度是多少？」→ 能提取

✗「這根梁符合最大撓度要求嗎？」→ 無法套用

特殊材料偏誤：即使情境需要符合成本效益的方案，LLM 仍建議鈦金屬或碳纖維——最佳化的是「聽起來高科技」，而非情境上的正確。

Vision Transformer 對決工程現實

特性	Vision Transformer（LLM）	工程現實
輸入單位	像素圖塊（16×16 網格）	結構構件（梁、柱）
關係	統計相關性（注意力）	物理因果（載重傳遞）
空間理解	位置嵌入（學習所得）	拓撲連接（絕對）
失效模式	幻覺（看起來安全）	倒塌（實際不安全）
資料域	歐幾里得（網格狀）	非歐幾里得（圖狀）

像素與圖形：根本差異

LLM 把圖說看成像素網格。若黑色梁出現在黑色背景上，它們根本看不見。更糟的是：相鄰像素觸發注意力權重，可能讓它們「看見」並不存在的連接。

Veriprajna 的圖形方法

我們直接解析 IFC/BIM 綱要。節點代表具有材料性質（E、I、f_y）的實際構件；邊代表由綱要定義的載重傳遞關係——不是從像素猜出來的。

節點: {type: "Beam", E: 200GPa, I: 8.36e-5 m⁴}

邊: {connection: "fixed", stiffness: 1e6}

路徑: 載重 → 梁 → 柱 → 基礎 ✓

切換示範，看看同一座結構在以像素為基礎的系統眼中如何隱形，在圖形表示中又如何數學般精確。

互動比較

⚠️ 低對比：結構構件幾乎不可見

以像素為基礎的視圖顯示結構元素與背景之間對比很低——就像 Vision Transformer 在黑上加黑的情境中難以辨認一樣。

幾何深度學習：數學基礎

為了超越像素猜測，Veriprajna 以幾何深度學習為基礎——將神經網路推廣到非歐幾里得域（圖形與流形）。

非歐幾里得的現實

標準 CNN 運作於歐幾里得網格，每個像素恰好有 8 個鄰居。結構天生是 非歐幾里得：

→ 不規則拓撲： 鋼桁架的節點可能連接 3 根構件；斜交網格的節點可能連接 8 根。沒有固定網格。
→ 無固定方位： 把圖說旋轉 90° 會改變每一個像素值（讓 CNN 失效），但圖形保持不變。
→ 排列不變性： 重新排列梁的清單，物理不會改變——GNN 尊重這一點，Transformer 則不然。

數學圖形定義

在 Veriprajna 中，建築物被形式化為 G = (V, E)：

節點（V）： 結構構件
x_v = [Material, E, I, f_y, Geometry, ...]

邊（E）： 實體連接
x_e = [Stiffness, Orientation, Type]

不同於像素（RGB 值），節點包含 實際的物理參數：楊氏模數、慣性矩、降伏強度——計算所需的數值。

訊息傳遞：GNN 如何模擬載重流動

ψ(l)

訊息函數

依據邊的性質（連接勁度、方位），計算從鄰居 u 傳遞到節點 v 的力／彎矩。

⊕

聚合函數

把所有相連構件作用在節點 v 上的力求和——模擬 ∑F 平衡方程式。

φ(l)

更新函數

依據總流入力計算節點 v 的新狀態（位移、應力）——套用虎克定律。

藉由堆疊 k 層，10 層 GNN 可將資訊傳播到 10 跳之外：屋頂上的載重在數學上影響基礎——這是可學習、可微分的載重路徑模擬。

從 BIM 到圖形：Veriprajna 資料管線

拓撲萃取

IFC-to-BIMGraph 轉換器解析 IFC 綱要。辨識出 IfcRelConnectsElements（實體連接），並以 100% 保真度映射為邊——毫無猜測。

多模態嵌入

將語義（「IPE 300 鋼材」）與幾何（經 PointNet 的 3D 網格）融合為節點向量。模型理解 IPE 300 ≈ HEB 300，但承載能力不同。

結構模型輸出

GNN 預測勁度參數（EI、EA），並自動產生 OpenSees/SAP2000 的有限元素輸入檔——自動化載重下傳分析的準備工作。

物理資訊神經網路：決定論的引擎

我們不要求 AI 從資料中學習物理，我們 教 AI 物理 的方式是將微分方程直接嵌入損失函數。

嵌入支配方程式

看看支配陽台撓度的歐拉-伯努利梁方程式：

∂²/∂x² (EI ∂²w/∂x²) + q(x) = 0

總損失函數變成：

L_total = L_data + λ·L_PDE

L_PDE = (1/N) Σ |∂²/∂x²(EI ∂²ŵ/∂x²) + q(x)|²

使用 自動微分，我們可以精確計算網路預測值的導數。若預測撓度違反平衡，L_PDE 會飆升，迫使修正。

已驗證的效能

義大利麵橋案例研究

物理資訊 Kolmogorov Arnold 網路（PIKAN）整合幾何與材料極限約束，在稀疏資料下預測破壞載重。

鐵路橋梁動力學

PINN 在純資料驅動 ML 無法收斂之處辨識出動態載重下的影響線。物理扮演 正則化項——AI 的想像永遠不會違反牛頓定律。

0.9999

R² 準確率

圖結構物理資訊 DeepONet

比 FEM 快 7-8 倍，精度達 FEM 等級

GS-PI-DeepONet：最前緣

Veriprajna 運用圖結構物理資訊深度算子網路——在非結構化圖形上學習算子（無窮維函數空間之間的映射）。

DeepONet

學習算子：「載重分布函數」→「撓度函數」

圖結構

處理 CNN 無法觸及的不規則建築幾何

物理資訊

PDE 殘差強制滿足平衡、相容性與組成律

自動化載重路徑追蹤：結構的「脊柱」

LLM 看見像素。Veriprajna 看見主載重路徑——以圖論演算法嚴謹追溯。

基於矩陣的路徑搜尋

結構表示為相鄰矩陣 A。將 A 自乘至 n 次冪（A^n），即可找出載重與基礎之間所有長度為 n 的路徑。

A² = 長度為 2 的路徑
A³ = 長度為 3 的路徑
...
A^k = k 跳連通性

U* 指標視覺化

計算 U* 指標——內部應變能傳遞度量。主載重路徑定義為 U* 等值線的「脊線」（勁度最大的路線）。

流線： 對 ∇U* 做 Runge-Kutta（RK4）積分，繪出「力流」線。若陽台安全，流線連接欄杆→柱；若不安全，流線會突然終止。

漸進倒塌

有系統地移除節點（模擬柱失效），並用介數中心性重新評估圖形連通性，即刻找出割集。

即時篩查： 即時測試數千種失效情境，而不必為每個案例重新跑非線性 FEM。

互動式載重路徑模擬器

路徑分析結果

點選結構配置以進行分析……

圖例

結構節點（構件）

連接

作用中載重路徑

高應力節點

企業應用：「驗證層」

Veriprajna 不取代工程師——我們用確定性的驗證層，取代採用 AI 的不確定性。

人機協同工作流程

🎨

1. 生成層

（機率）

建築師使用 Midjourney／MLLM 生成創意概念：「給我一座帶參數化欄杆的懸臂陽台」

⚙️

2. Veriprajna 層

（確定性）

→ 解析為 BIM 圖形

→ 拓撲檢核（DFS/BFS）

→ 載重路徑檢核（U* 指標）

→ 物理檢核（σ < f_y?）

✓

3. 回饋迴圈

（約束）

若物理檢核失敗，回傳硬約束：「將梁深增加 200mm」或「加入背跨連接」——強制重新生成

資料效率與安全性

PINN 受訓於 小量資料 因為物理約束會縮小搜尋空間。LLM 卻需要數 PB 的資料才能學會「氛圍」。

✓ 泛化： 在鋼框架上訓練的 GNN 可以泛化到新的框架——物理（虎克定律）不會改變
✓ 隱私： 較小的模型可在地端部署。敏感的智財資產（核電廠、資料中心）絕不會送到公共 API

可解釋性：「玻璃盒」

GNN 與實體物件一一對應。我們可以把注意力權重視覺化，確切追溯預測是怎麼得出的。

可追溯的推理：
「柱 C3 失效的原因：
  → 來自梁 B1 的載重：450 kN
  → 來自梁 B2 的載重：380 kN
  → 合計：830 kN > 容量：720 kN"

相較之下，LLM 是「黑箱」，推理藏在數十億個無法解讀的參數之中。

Veriprajna 的優勢：並排比較

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（力的傳遞）
上下文視窗	有限的詞元（健忘）	無限的圖形連通性
安全保證	「看起來安全」（幻覺）	「物理殘差 ≈ 0」（已驗證）
載重路徑分析	視覺估計（猜測）	圖形遍歷（演算法）
約束處理	軟性（常被忽略）	硬性（PDE 進入損失函數）
可解釋性	黑箱	玻璃盒（節點級注意力）
訓練資料	網際網路（有偏誤／有雜訊）	物理方程式 + 結構化資料
準確率（結構推理）	49.8%（DSR-Bench）	R² = 0.9999
部署	雲端 API（隱私風險）	地端部署（安全）

以數學為基礎，而非機率

營建產業很獨特。在軟體業，「錯誤」只是惱人；在我們的產業，「錯誤」是悲劇。圍繞生成式 AI 的炒作週期掩蓋了這個根本區別。

❌ ChatGPT 的判定

「陽台是安全的，因為它看過成千上萬張陽台照片，而在那些照片裡，樓板的像素通常位於地面的像素上方。」

✓ 物理怎麼說

「陽台會倒塌，因為固定端的彎矩超過了斷面的抗彎容量： ∑M > M_cap"

Veriprajna 是讓你聽從物理的平台。

我們建立在圖論、 幾何深度學習以及 微分方程的基礎之上。我們不猜像素。我們計算載重。

你要把建築蓋在數學之上，還是機率之上？

📄 閱讀完整白皮書

在您的工程工作流程中部署物理資訊 AI

Veriprajna 提供企業級部署、以您的 BIM 資料進行客製化模型訓練，以及與現有 CAD/BIM 管線的整合。

針對工程顧問公司

• 從 IFC/BIM 自動產生結構模型
• 為生成式設計即時驗證載重路徑
• 漸進倒塌篩查（每秒數千種情境）
• 地端部署以保障智財安全

針對主管機關與學術界

• 用於建築法規合規的物理式 AI 框架
• 具可追溯推理路徑的可解釋 AI
• GNN/PINN 架構的研究合作
• 用於結構推理評測的基準資料集

WhatsApp：即時支援

附 28 篇同行評閱引用文獻的完整技術報告：硬體架構、訊息傳遞神經網路、PINN 數學、圖結構 DeepONet 性能基準、IFC-to-BIMGraph 管線規格。