💻 computer science

Verication-driven closed-loop multi-agent large language modelframework for code-compliant structural design

Este artigo introduz um framework de LLM multiagente de ciclo fechado orientado por verificação que integra um verificador externo baseado em física com um mecanismo de reparo de dois nós para transformar violações de código em restrições acionáveis, alcançando um aumento significativo na conformidade e segurança de código para o design estrutural ao mesmo tempo em que reduz o uso de materiais.

Autores originais: Jianbin Luo, Weibin Lin, Yiran Lin, Qing Wei, Wei Guo

Publicado 2026-08-11

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jianbin Luo, Weibin Lin, Yiran Lin, Qing Wei, Wei Guo

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Rede de Segurança do Arquiteto Digital

Imagine que você está tentando ensinar um robô superinteligente a construir uma ponte. Você dá ao robô um modelo de linguagem — um cérebro treinado em milhões de livros, artigos e plantas — para que ele possa entender seu pedido e "sonhar" com um design. Este é o mundo dos Modelos de Linguagem de Grande Escala (LLMs). Eles são incríveis para escrever histórias, codificar softwares e até explicar física complexa em palavras simples. Mas aqui está o problema: um LLM é um mestre da linguagem, não um mestre da física. Ele pode descrever uma ponte que parece perfeita, usando todos os termos técnicos corretos, mas se você realmente a construísse, ela poderia desabar porque a matemática não fecha. Isso é conhecido como "alucinação" — o robô está confiante, mas errado.

No mundo real, especialmente ao construir coisas como arranha-céus ou pontes, ser "mais ou menos certo" não é bom o suficiente. Você precisa de conformidade de código, o que significa que o design deve seguir estritamente o livro de regras (os códigos de construção) para garantir a segurança. Por décadas, os engenheiros usaram computadores para verificar essas regras, mas o processo de traduzir uma ideia humana em um modelo de computador e depois verificá-lo tem sido lento e manual. A grande questão que os pesquisadores estão fazendo é: Podemos criar uma IA que não apenas suponha um design, mas que realmente verifique seu próprio trabalho e corrija seus erros antes mesmo de tocar em uma peça de aço? Este artigo mergulha exatamente nesse desafio, tentando transformar uma IA tagarela em um engenheiro confiável e consciente da segurança.

A Armadilha da "Autocorreção" e o Ciclo Mágico

Os pesquisadores começaram com uma ideia comum: talvez se apenas pedirmos à IA para "verificar seu próprio trabalho" e tentar novamente, ela melhorará. Mas eles descobriram algo surpreendente. Quando deixaram a IA tentar corrigir seus próprios erros sem ajuda externa, ela frequentemente piorava as coisas ou apenas girava em círculos. É como pedir a um aluno que reprovou em uma prova de matemática para apenas "tentar de novo" sem um professor ou uma calculadora; ele pode apenas escrever a mesma resposta errada com mais confiança. O artigo argumenta que a autocorreção sozinha é pouco confiável para tarefas críticas de segurança.

Em vez disso, a equipe construiu uma estrutura de ciclo fechado baseada em verificação. Pense nisso não como um único estudante, mas como uma equipe de construção com um inspetor de segurança muito rigoroso e implacável. O sistema funciona assim:

O Sonhador (A IA): Uma equipe de agentes de IA trabalha junta para projetar uma estrutura, como uma viga ou uma treliça.
O Inspetor (O Verificador de Física): Antes que o design seja aprovado, ele é enviado para um programa de computador "rígido" (um solver de elementos finitos) que atua como um simulador de física. Isso não é uma IA supondo; é um motor matemático que calcula exatamente como a estrutura se comportaria sob peso e tensão.
O Livro de Regras (O Verificador de Código): Uma segunda ferramenta verifica o design em relação aos códigos de construção reais (como GB 50010 para concreto e GB 50017 para aço).
O Ciclo: Se o design falhar, o sistema não diz apenas "tente novamente". Ele envia uma nota específica de volta para a IA: "Sua viga está muito fina em 21%" ou "A tensão está muito alta". A IA então usa esses dados concretos para ajustar o design e tenta novamente. Esse ciclo se repete até que o design passe em todos os testes.

O Que Eles Descobriram: De "Talvez" para "Definitivamente"

A equipe testou este sistema em 44 diferentes casos de design envolvendo cinco tipos de estruturas: vigas simples, vigas em balanço, vigas contínuas, treliças e pórticos. Os resultados foram dramáticos.

Quando deixaram a IA trabalhar sem este ciclo rigoroso (o método de "ciclo aberto"), ela acertou o design apenas 56,8% das vezes. Isso significa que, quase metade das vezes, a IA entregaria um design que violava as regras de segurança. Mas, assim que ligaram o sistema de ciclo fechado com o inspetor de física externo, a taxa de sucesso disparou para 98,6%.

Não se trata apenas de passar; trata-se de ser eficiente também. Os designs de IA que passaram pelo ciclo usaram cerca de 5,8% menos material do que aqueles que não passaram. Isso é um grande feito porque significa que a IA aprendeu a parar de projetar em excesso (tornando as coisas desnecessariamente enormes apenas para garantir a segurança) e encontrou o "ponto ideal" onde a estrutura é segura, mas utiliza menos recursos. A pontuação de qualidade geral dos designs saltou de 63,8 para 71,4.

Como o "Reparo de Dois Nós" Funciona

O artigo detalha o processo de reparo em dois "nós" ou estágios distintos, que atuam como ferramentas diferentes em uma caixa de ferramentas:

Nó 1 (O Conserto Rígido): Se o design quebra uma regra (como uma viga que dobra demais), este nó trata isso como uma restrição rígida. Ele diz à IA: "Você deve tornar isso maior". É como um treinador rigoroso dizendo: "Corra até conseguir fazer direito". Este passo corrigiu os erros grandes e perigosos.
Nó 2 (O Polimento Suave): Uma vez que o design está seguro, este nó observa uma pontuação quadridimensional (segurança, custo, eficiência e sustentabilidade). Se a pontuação estiver um pouco baixa, ele dá um leve empurrão na IA para ajustar o design e torná-lo ainda melhor, sem arriscar a segurança.

Os pesquisadores descobriram que o Nó 1 fez o trabalho pesado para os designs que começaram quebrados, enquanto o Nó 2 foi responsável por polir os designs que já estavam seguros. Se eles removessem qualquer um dos nós, o desempenho do sistema caía, provando que tanto o "conserto rígido" quanto o "polimento suave" são necessários.

O Problema da "Caixa Preta" Foi Resolvido

Uma das maiores preocupações com a IA é que ela é uma "caixa preta" — você recebe uma resposta, mas não sabe o porquê. Este sistema resolve isso. Como utiliza um sistema de Geração Aumentada por Recuperação (RAG), toda vez que a IA comete um erro, ela não diz apenas "errado". Ela busca a página e o parágrafo exatos do código de construção que foi violado. É como um aluno que, ao errar uma questão, consegue apontar para a frase específica no livro didático que explica a regra. Isso torna as decisões da IA auditáveis e rastreáveis.

Os Limites e o Futuro

O artigo é muito honesto sobre o que este sistema ainda não consegue fazer. A IA é ótima em ajustar o tamanho de vigas ou a quantidade de aço (parâmetros), mas não consegue redesenhar toda a forma da estrutura (topologia) se a forma original for fundamentalmente falha. Por exemplo, se a IA tentar consertar uma ponte que é curta demais para o vão que ela precisa atravessar, nenhum ajuste no tamanho da viga a salvará. Nesses casos, o sistema "falha ruidosamente" — ele para e diz ao engenheiro humano: "Eu não posso consertar isso; você precisa mudar o design". Ele se recusa a dar uma resposta perigosa.

Os pesquisadores também testaram se isso funcionava com diferentes "cérebros" de IA (trocando de um modelo grande para outro). Eles descobriram que a taxa de sucesso permaneceu a mesma, independentemente de qual modelo de IA utilizavam. Isso sugere que a segurança vem do verificador de física externo, e não do fato de a IA ser "mais inteligente". É a rede de segurança, e não o trapezista, que mantém o espetáculo seguro.

A Conclusão

Este artigo mostra que não podemos apenas confiar que a IA "pense" o seu caminho até um edifício seguro. Em vez disso, precisamos construir um sistema onde a IA faça o trabalho criativo, mas um inspetor rigoroso baseado em matemática verifique cada etapa. Ao fechar o ciclo entre "fazer" e "verificar", os pesquisadores transformaram um sistema que estava certo apenas 56,8% das vezes em um que está certo 98,6% das vezes, usando menos material e seguindo as regras perfeitamente. É um passo em direção a um futuro onde a IA não apenas fala sobre engenharia, mas realmente ajuda a construir estruturas mais seguras, inteligentes e eficientes para todos.

Resumo Técnico: Estrutura de Multi-Agentes de LLM com Ciclo Fechado e Verificação Orientada para Design Estrutural em Conformidade com Normas

1. Definição do Problema

O design estrutural exige o equilíbrio iterativo entre segurança e economia sob rigorosas restrições normativas. Embora ferramentas como CAD, BIM e softwares de análise de elementos finitos (ex: SAP2000, ANSYS) sejam maduras para modelagem e análise, as etapas críticas que dependem do julgamento profissional — traduzir intenção em parâmetros, interpretar cláusulas de normas e reconciliar resultados — permanecem como gargalos manuais.

A aplicação direta de Modelos de Linguagem de Grande Escala (LLMs) a essas tarefas enfrenta um problema fundamental de confiabilidade: os LLMs são modelos de linguagem, não solvers mecânicos. Eles frequentemente produzem designs coerentes, mas fisicamente inconsistentes ou em violação de normas ("alucinações"). Estudos recentes indicam que a autocorreção de LLMs sem feedback externo é pouco confiável e pode degradar o desempenho. Consequentemente, o design de engenharia de missão crítica não pode depender de saídas de LLM não verificadas ou de autorreflexão não guiada. Há uma carência de estruturas que integrem um verificador externo baseado em física em um mecanismo de reparo de ciclo fechado para impulsionar melhorias automáticas e direcionais no design estrutural.

2. Metodologia

Os autores propõem uma estrutura de multi-agentes de ciclo fechado orientada por verificação que substitui a autocorreção do LLM por um mecanismo de arbitragem externo. O sistema é construído sobre uma arquitetura de três camadas (apresentação, negócio, ferramenta) e utiliza uma máquina de estados de cinco estágios impulsionada por um orquestrador de tarefas (PlanningFlow).

Componentes Principais

Sistema Multi-Agente:
- StructuralDesignAgent: Interpreta requisitos e parâmetros.
- FEAnalysisAgent: Realiza análise de elementos finitos (usando OpenSeesPy) e verificação de normas.
- EvaluationAgent: Realiza avaliação quadridimensional e rastreamento de normas baseado em RAG.
- CADDrawingAgent & ReportGenerationAgent: Gerenciam a geração de saídas.
- Os agentes comunicam-se via contratos JSON estruturados, garantindo a integridade dos dados entre as etapas.
Sistema de Verificação de Confiabilidade de Elementos Finitos de Três Camadas:
Para evitar a propagação de erros, a estrutura implementa uma estratégia de defesa em profundidade:
- Camada 1 (Precisão do Motor): Testes de regressão contra soluções analíticas ou modelos independentes do ANSYS para garantir que o wrapper de elementos finitos seja preciso (tolerância < 1–3%).
- Camada 2 (Construção do Modelo): Validação pré-análise de conectividade de nós, condições de contorno e aplicação de carga, acoplada a uma prévia geométrica para confirmação humana, visando capturar erros de leitura de parâmetros.
- Camada 3 (Conformidade de Resultados): Verificação estática de normas contra limites (deflexão, tensão, esbeltez) para gerar uma lista estruturada de violações.
Mecanismo de Feedback de Ciclo Fechado de Dois Nós:
Em vez de geração de ciclo aberto, o sistema emprega dois nós sequenciais para impulsionar o reparo:
- Nó 1 (Reparo de Restrições Rígidas): Se houver violações de normas, elas são convertidas em um prompt de reparo com restrições específicas (ex: "aumentar a altura da seção em X%"). O LLM itera (até $k_{max}=10$ ) até que as violações sejam resolvidas. Isso transforma tentativas cegas em reparos direcionais.
- Nó 2 (Refinamento de Restrições Flexíveis): Uma vez em conformidade, uma pontuação quadridimensional é calculada (Segurança, Economia, Eficiência, Sustentabilidade). Se a pontuação estiver abaixo de um limite, o sistema gera múltiplos esquemas candidatos dentro de restrições de prioridade à segurança, seleciona o melhor via verificação independente e refina o design.
Base de Código RAG Rastreável:
Um sistema de Geração Aumentada por Recuperação (RAG) utilizando ChromaDB para indexar normas de construção chinesas (GB 50010, GB 50017). As violações são rastreadas até cláusulas específicas, e as citações são incorporadas ao relatório, garantindo auditabilidade.
Avaliação Quadridimensional:
Os designs são pontuados em Segurança, Economia, Eficiência Estrutural e Sustentabilidade. Os pesos são determinados via um procedimento de dois fatores transparente e auditável, baseado na severidade da consequência de falha e no potencial de otimização econômica.

3. Principais Contribuições

O artigo aborda três lacunas específicas na literatura existente:

Fechamento do Ciclo Geração-Verificação: Diferente de sistemas multi-agentes de ciclo aberto que dependem de intervenção manual ou tentativas não guiadas, esta estrutura injeta feedback externo baseado em física em um loop de reparo automático e direcionado.
Verificação de Três Camadas: Introduz um template de verificação geral para engenharia impulsionada por LLM que valida o motor, a construção do modelo e o resultado final, em vez de depender apenas de comparações post-hoc.
Interpretabilidade e Auditabilidade: Garante que cada violação seja rastreável a uma cláusula específica de norma via RAG e utiliza ponderação transparente para avaliação de qualidade, tornando as decisões da IA auditáveis.

Adicionalmente, os autores disponibilizam a estrutura completa, um benchmark de 44 casos e todos os scripts de experimento como código aberto.

4. Resultados Experimentais

A estrutura foi avaliada em 44 casos paramétricos através de cinco tipos de estruturas (vigas biapoiadas, vigas em balanço, vigas contínuas, treliças e pórticos).

Melhoria de Conformidade: A estrutura de ciclo fechado (B4) alcançou uma taxa de conformidade normativa de 98,6%, um aumento significativo em relação aos 56,8% observados nas bases de comparação de ciclo aberto (B1–B3). A diferença é estatisticamente significativa ( $p < 10^{-6}$ ).
Qualidade do Design: A pontuação composta melhorou de 63,8 (ciclo aberto) para 71,4 (ciclo fechado).
Economia: A estrutura reduziu o uso de materiais em aproximadamente 5,8% mantendo a conformidade, sugerindo que evita o superdimensionamento comum em tentativas de ciclo aberto para garantir a segurança.
Contribuição dos Nós:
- O Nó 1 foi responsável pela maior parte do ganho em cenários não conformes (reparo de viabilidade), contribuindo com ~8,2 pontos para a pontuação.
- O Nó 2 forneceu refinamento de qualidade em cenários já conformes, contribuindo com ~1,8 pontos.
- Estudos de ablação confirmaram que a remoção de qualquer um dos nós degradou significativamente o desempenho (a remoção do Nó 1 reduziu a conformidade para ~71%; a remoção do Nó 2 baixou as pontuações de qualidade).
Independência do Modelo: Substituir o LLM principal (DeepSeek V4) pelo Claude Sonnet 4.6 não resultou em diferença estatisticamente significativa na conformidade ou nas pontuações, indicando que o loop de verificação, e não o LLM específico, impulsiona a confiabilidade.
Limitações Identificadas: A estrutura não consegue corrigir defeitos originados da topologia estrutural (ex: configurações de pórtico com fluxo de forças deficiente); ela otimiza parâmetros sob uma topologia fixa. Em casos onde a topologia é o problema, o sistema falha "altamente" com avisos explícitos, em vez de entregar silenciosamente um design não conforme.

5. Significância e Alegações

O artigo afirma que a confiabilidade no design estrutural impulsionado por LLM é alcançada não por modelos mais capazes, mas pelo fechamento do loop geração–verificação com um verificador externo.

Mudança de Paradigma: O trabalho demonstra que adicionar agentes ou usar padrões ReAct isoladamente não melhora a confiabilidade; o fator crítico é a integração de um mecanismo de arbitragem externo baseado em física.
Utilidade Prática: O sistema atua como um "assistente verificável" em vez de um designer autônomo. É mais eficaz quando a topologia estrutural é razoável e o desafio reside no dimensionamento de membros e conformidade normativa.
Segurança em Primeiro Lugar: Ao falhar "altamente" (sinalizando explicitamente a não conformidade devido a limites topológicos) em vez de passar erros silenciosamente, a estrutura alinha-se aos requisitos de engenharia de missão crítica, deixando o julgamento final para engenheiros humanos.
Eficiência: O processo automatizado reduz o tempo de design de horas para minutos (aprox. 5–12 minutos por tarefa) com custo negligenciável (aprox. CNY 0,05 por tarefa), tornando-o uma ferramenta viável para fluxos de trabalho de engenharia.

Os autores concluem que, embora o escopo atual seja limitado a sistemas lineares elásticos planos e ajuste de parâmetros, o sistema de verificação de três camadas e o mecanismo de ciclo fechado propostos fornecem um template generalizável para IA confiável em outros domínios de engenharia de missão crítica.