A Novel Multi-Agent Architecture to Reduce Hallucinations of Large Language Models in Multi-Step Structural Modeling

Cette étude propose une nouvelle architecture multi-agents basée sur OpenSeesPy qui réduit les hallucinations des grands modèles de langage lors de la modélisation structurelle complexe en décomposant les tâches en étapes spécialisées, atteignant ainsi une précision de 90 à 100 % sur un ensemble de tests.

L'essentiel

🏗️ Le Problème : L'Architecte qui rêve éveillé

Imaginez que vous avez un assistant très intelligent, capable de lire n'importe quel livre et de comprendre des concepts complexes. C'est ce qu'on appelle un Grand Modèle de Langage (LLM), comme les IA que vous connaissez (GPT, Gemini).

Cependant, si vous demandez à cet assistant de construire un immeuble complexe brique par brique, il a tendance à halluciner.

• Il oublie parfois qu'il doit poser un mur.
• Il invente des dimensions qui n'existent pas.
• Il se perd dans les détails quand la tâche est trop longue.

Dans le monde de l'ingénierie, une petite erreur de calcul peut être catastrophique (un bâtiment qui s'effondre). Les chercheurs ont donc voulu créer un système où l'IA peut construire des modèles de bâtiments numériques (pour les analyser et s'assurer qu'ils sont sûrs) sans faire d'erreurs, même pour des immeubles de 10 étages.

🤖 La Solution : Une Équipe de Spécialistes (L'Architecture Multi-Agents)

Au lieu de demander à un seul "génie" de faire tout le travail (ce qui le fatigue et le fait faire des erreurs), les auteurs ont créé une équipe de spécialistes, comme une équipe de construction bien organisée.

Voici comment fonctionne cette nouvelle équipe, étape par étape :

1. Le Chef de Chantier (Analyse et Planification)

C'est le premier à parler. Il écoute votre description (même si elle est écrite de manière un peu bizarre ou avec des mots simples).

• Son rôle : Il ne construit rien. Il écoute, comprend ce que vous voulez, et écrit un plan de travail étape par étape sur un carnet (un fichier JSON).
• L'analogie : C'est comme un architecte qui dessine les croquis préliminaires avant que les ouvriers ne commencent. Il vérifie aussi que le plan est logique avant de le donner aux autres.

2. Les Maçons et les Électriciens (Assemblage Géométrique)

Ici, c'est la grande innovation ! Au lieu de travailler l'un après l'autre, deux agents travaillent en même temps (en parallèle) :

• L'Agent "Nœuds" (Les Maçons) : Il place les points de repère (les coins des murs) et décide où sont les fondations.
• L'Agent "Éléments" (Les Électriciens/Charpentiers) : Il relie ces points pour créer les poutres et les colonnes.
• Pourquoi c'est génial ? En travaillant ensemble, ils vont plus vite. De plus, un inspecteur de contrôle vérifie immédiatement s'ils ont posé deux murs au même endroit par erreur. S'il y a une erreur, ils recommencent tout de suite avant de continuer.

3. Le Responsable des Charges (Intégration des Charges)

Un bâtiment ne sert à rien s'il ne supporte pas le poids des meubles, de la neige ou du vent.

• Son rôle : Il prend les instructions sur le poids (ex: "10 tonnes de neige sur le toit") et les applique précisément sur les bons endroits du modèle numérique.
• L'analogie : C'est comme le responsable logistique qui s'assure que chaque colis est posé sur la bonne étagère.

4. Les Traducteurs (Traduction de Code)

Une fois que le bâtiment est "construit" virtuellement et chargé, il faut le parler au logiciel d'analyse (OpenSeesPy).

• Le Traducteur Géométrique : Il transforme les coordonnées des murs en langage informatique.
• Le Générateur Final : Il assemble tout le code pour créer le fichier exécutable.
• L'analogie : Ce sont des traducteurs qui transforment un plan dessiné à la main en un code binaire que l'ordinateur peut exécuter sans se tromper.

🚀 Les Résultats : Pourquoi c'est une révolution ?

Les chercheurs ont testé cette équipe sur 20 problèmes différents, du petit chalet à l'immeuble de 10 étages.

1. Précision chirurgicale : L'équipe a réussi 100% des fois sur 18 cas sur 20. L'ancienne méthode (un seul agent qui fait tout) échouait souvent sur les bâtiments complexes.
2. Vitesse fulgurante : L'ancienne méthode prenait jusqu'à 15 minutes pour un seul bâtiment. La nouvelle équipe le fait en moins de 2 minutes (parfois 85% plus vite) car ils travaillent en parallèle.
3. Robustesse face à la complexité : Même pour des bâtiments énormes (10 étages, 10 travées), l'équipe ne s'effondre pas. L'ancienne méthode plantait souvent car elle était trop lente et dépassait les limites de temps.
4. Comprendre n'importe qui : Ils ont testé l'outil avec des étudiants en architecture qui ne connaissaient pas bien le jargon technique. L'IA a compris leurs descriptions variées et a tout de même construit le bon modèle.

🎯 En résumé

Imaginez que vous vouliez construire un château de cartes géant.

• L'ancienne méthode : Vous demandez à une seule personne de le faire. Elle se fatigue, oublie une carte, et tout s'écroule.
• La nouvelle méthode : Vous avez un chef qui lit le plan, deux équipes qui posent les cartes en même temps, un inspecteur qui vérifie à chaque étage, et un traducteur qui explique le résultat à l'ordinateur.

Ce système permet aux ingénieurs (et même aux non-experts) de demander à une IA de concevoir et d'analyser des bâtiments complexes rapidement, bon marché et surtout, sans erreurs dangereuses. C'est un pas de géant vers l'automatisation intelligente de la construction.

Résumé technique

1. Problématique

L'analyse structurelle est un pilier fondamental du génie civil, mais la modélisation par éléments finis (via des logiciels comme OpenSees, SAP2000, etc.) reste un processus manuel, fastidieux et sujet à des erreurs humaines. Bien que les Grands Modèles de Langage (LLM) comme GPT et Gemini aient démontré des capacités prometteuses en raisonnement, leur application directe à la modélisation structurelle multi-étape se heurte à deux obstacles majeurs :

• Les hallucinations et l'accumulation d'erreurs : Dans les séquences longues (nécessaires pour construire des modèles complexes), les LLMs génèrent souvent des incohérences géométriques ou des erreurs de syntaxe qui rendent le modèle invalide.
• Limitations des architectures séquentielles existantes : Les approches actuelles utilisant des agents LLM en pipeline séquentiel (analyse $\rightarrow$ géométrie $\rightarrow$ code) souffrent d'une faible robustesse (précision chutant à 60 % pour des structures complexes), d'une inefficacité computationnelle (temps d'inférence élevés) et d'un manque d'évolutivité (échec des API sur les grandes structures en raison des limites de temps).

2. Méthodologie : Architecture Multi-Agents Proposée

L'article propose une nouvelle architecture multi-agents conçue pour automatiser la modélisation et l'analyse de structures en portique 2D via OpenSeesPy. Cette architecture décompose le flux de travail en quatre modules coordonnés, intégrant des mécanismes de vérification (checkpoints) pour limiter la propagation des erreurs.

A. Modules Fonctionnels

1. Analyse et Planification :

   • Agent d'analyse : Extrait les paramètres clés (géométrie, conditions aux limites, charges, matériaux) du texte utilisateur et les structure en un fichier JSON.
   • Agent de planification : Génère un plan d'assemblage étape par étape (bay par bay, étage par étage) en attribuant des "types d'étapes" spécifiques basés sur la connaissance experte (ex: base, ajout d'étage, ajout de baie).
   • Checkpoint : Vérifie la cohérence entre le nombre total de baies/étages et le plan généré. En cas d'incohérence, le processus est relancé (jusqu'à 5 fois).

2. Assemblage Géométrique (Parallèle) :

   • Contrairement aux approches séquentielles, les agents Nœuds et Éléments opèrent en parallèle.
   • L'agent Nœud déduit les identifiants, les coordonnées spatiales et les conditions aux limites.
   • L'agent Élément déduit les identifiants, les types et les connexions.
   • Une fonction de mappage de connectivité (Python déterministe) transforme les coordonnées en IDs de nœuds compatibles OpenSeesPy.
   • Checkpoint : Vérifie l'absence de nœuds/éléments dupliqués ou non connectés.

3. Intégration des Charges :

   • L'agent d'attribution des charges mappe les descriptions textuelles des charges (ponctuelles, réparties) vers les composants structurels spécifiques (nœuds ou éléments) identifiés précédemment.
   • Un compilateur JSON intègre ces données avec les propriétés matérielles et géométriques.

4. Traduction de Code :

   • Traducteur de code géométrique : Convertit les données JSON géométriques en scripts OpenSeesPy.
   • Générateur de code complet : Assemble les blocs de géométrie, de charges et de configuration (transformations géométriques, séries temporelles) pour produire un script exécutable complet.

B. Stratégie de Modèles LLM (Backbones)

L'architecture utilise une approche hybride pour optimiser le rapport coût/performance et la fiabilité :

• GPT-OSS 120B : Utilisé pour les agents nécessitant un raisonnement complexe (Analyse, Planification, Nœuds, Éléments).
• Llama-3.3 70B Instruct Turbo : Utilisé pour les tâches de traduction et de mappage d'information (Attribution des charges, Traduction de code), où la précision syntaxique est cruciale.

3. Contributions Clés

• Réduction des Hallucinations : L'introduction de checkpoints intermédiaires et la décomposition des tâches complexes en sous-tâches spécialisées réduisent drastiquement les erreurs de séquence.
• Parallélisation : Le traitement simultané des nœuds et des éléments accélère le processus et réduit la charge contextuelle sur un seul agent.
• Robustesse Linguistique : Le système est capable d'interpréter des descriptions textuelles variées (du langage technique au langage naturel d'étudiants non-spécialistes) grâce à l'agent d'analyse.
• Évolutivité : La nouvelle architecture permet de traiter des structures beaucoup plus grandes (jusqu'à 10 baies et 10 étages) sans échec de timeout, contrairement aux architectures séquentielles.

4. Résultats Expérimentaux

L'évaluation a été réalisée sur un jeu de données de référence comprenant 20 problèmes de portiques (3 et 5 baies), répétés 10 fois chacun.

• Précision :
  • L'architecture proposée atteint 100 % de précision pour 18 cas sur 20 et 90 % pour les 2 autres.
  • Comparaison : L'architecture séquentielle précédente atteint seulement 60-80 % de précision sur les structures complexes. Les LLMs généralistes (Gemini 2.5 Pro, GPT-4o) échouent presque totalement (0-37 % de précision) sur ces tâches de génération de code spécifique.
• Efficacité Computationnelle :
  • Réduction significative du temps d'inférence : de 269-949 secondes (séquentiel) à 75-194 secondes (proposé).
  • Exemple : Pour un portique 3-4-5-4-3, le temps passe de 949s à 140,9s (réduction de 85 %).
• Évolutivité :
  • L'architecture gère avec succès des structures à 7 et 10 baies avec des taux de précision de 90 %, 100 % et 80 %, respectivement, et des temps d'exécution inférieurs à 550 secondes.
• Coût :
  • Le coût par problème est estimé entre 0,013 $ et 0,023 $ (2026 USD), démontrant la viabilité économique de l'approche.

5. Signification et Perspectives

Cette étude démontre qu'une architecture multi-agents hybride, combinant des modèles LLM spécialisés et des vérifications déterministes, peut surmonter les limitations des LLMs purs dans le domaine de l'ingénierie structurelle.

• Impact Pratique : Elle permet d'automatiser des tâches de modélisation complexes, réduisant la barrière à l'entrée pour les non-experts et accélérant les flux de travail d'ingénierie.
• Limitations actuelles : L'approche est actuellement limitée aux portiques rectangulaires 2D (linéaire élastique, statique) et ne gère pas encore les contreventements diagonaux, les cantilevers ou les analyses dynamiques/non-linéaires.
• Futur : Les travaux futurs visent à développer un cadre d'optimisation automatique des prompts pour d'autres modèles LLM et à étendre les capacités de modélisation à des typologies structurelles plus complexes.

L'outil est déjà disponible sous forme d'application web publique pour évaluation communautaire.