MESSAI.iO

Mikrobielle elektrochemische Systeme · Research Intelligence

Von der Literatur
zum vorhersagbaren
Reaktor.

MESSAI vereint einen kuratierten Korpus zur mikrobiellen Elektrochemie, ein kausales Parametermodell und einen kalibrierten ML-Stack – damit Sie herausfinden, was bekannt ist, einen Reaktor in 3D entwerfen und seine Leistungsfähigkeit mit ehrlichen Unsicherheitsangaben vorhersagen.

Mehr erfahren →Labor öffnen
Plattformüberblick →Jede Zahl führt auf ihre Quelle zurück →

Live-3D · Zum Drehen ziehen · mikrobielle Zweikammer-Elektrolysezelle

OOS-Abdeckung (95 %)

97,98 %

● n=940 zurückgehalten

Publikationen

23.598

● live · Prisma

Extrahierte Messwerte

196.580

● live · Prisma

Kanonische Parameter

706

● live · Prisma

Jede Zahl führt auf ihre Quelle zurück → /proof

Was Forschende hier tun können

Eine Plattform – von der Publikation bis zur Vorhersage

Jeder Bereich stützt sich auf denselben kuratierten Korpus und denselben kalibrierten Modell-Stack – so führt alles, was Sie entdecken, analysieren und vorhersagen, auf seine Quelle zurück.

01Erkunden

Ein Reaktordesign, methodisch sauber neu aufgebaut

Steuern Sie eine interaktive mikrobielle Brennstoffzelle in 3D, öffnen Sie zu jeder Schicht ein quellenbelegtes Dossier – Material, Funktion und die literaturbelegte Korrektur aus einer strengen Prüfung – und vergleichen Sie sie dann mit Referenzdesigns.

Mehr erfahren →
02Analysieren

Parameter mit echten Verteilungen

Durchsuchen Sie kanonische Parameter mit Literaturverteilungen je System, hierarchischen Priors (A-priori-Verteilungen) und Konfidenzangaben – keine Einzelwert-Folklore.

Katalog öffnen →
03Kausalität abbilden

Ein kausaler Wissensgraph

Sehen Sie in einem kräftebasierten Wissensgraphen, wie Parameter voneinander abhängen – angepasste kausale Kanten, Korrelationen und Datenherkunft in einer interaktiven Ansicht.

Graph erkunden →
04Modellieren

Einen Reaktor in 3D entwerfen

Bauen Sie im 3D-Labor einen bioelektrochemischen Reaktor und erhalten Sie Live-Vorhersagen seiner Leistungsfähigkeit mit kalibrierter Unsicherheit und mechanistischer Verlustaufschlüsselung.

Labor öffnen →
05Optimieren

Bedingungen variieren, Sensitivität erkennen

Legen Sie Ihre Betriebsbedingungen fest, variieren Sie eine Variable und verfolgen Sie, wie sich die Vorhersagen gegenüber der empirischen Verteilung aus dem Korpus verschieben.

Parameterstudie starten →
06Lücken finden

Aufdecken, was der Literatur entgangen ist

Eine Scan-Ansicht der Forschung: physikalisch unmögliche Ergebnisse, statistische Auffälligkeiten und bayessche Ausreißer, die einen genaueren Blick lohnen.

Hunter öffnen →

So funktioniert es

Vom rohen PDF zur kalibrierten Vorhersage

Dieselbe Pipeline speist jeden Bereich. Jede Stufe ist prüfbar – Sie können jede Zahl auf der Plattform über Kalibrierung, Kanonisierung und Extraktion bis zu der Publikation nachvollziehen, aus der sie stammt.

  1. 1

    Korpus

    Über 20.000 MES-Publikationen erfasst – die Volltext-PDFs inhaltsadressiert und für die semantische Suche eingebettet.

  2. 2

    Extraktion

    Eine zweistufige LLM-Extraktion liest Messwerte samt ihren Bedingungen aus – jeder Wert behält DOI, Textauszug und Konfidenz.

  3. 3

    Kanonisierung

    Rohwerte werden in SI-Einheiten umgerechnet und kanonischen Parametern zugeordnet, sodass Zahlen aus verschiedenen Publikationen vergleichbar werden.

  4. 4

    Priors & Kalibrierung

    Hierarchische bayessche Priors (PyMC, lognormal) je Systemklasse, eingefasst in Conformal-Intervalle mit gemessener Abdeckung.

  5. 5

    Vorhersage

    Vorhersagemodelle je Physikfamilie liefern jede Ausgabe als {value, unit, ci_low, ci_high, confidence, source} – nie als bloße Punktschätzung.

  6. 6

    3D-Labor

    Entwerfen Sie einen Reaktor und sehen Sie die Vorhersage, die empirische Evidenz dahinter und die mechanistische Verlustzerlegung nebeneinander.

Was die Plattform leistet

1101001k10kFLÄCHENBEZOGENE LEISTUNGSDICHTE · mW/m²180 mW/m²95-%-Intervall 14–2301SCHEMA · LOGNORMAL

Kalibrierte Vorhersage

Jede Zahl kommt mit ihrer Unsicherheit

Messwerte aus der Literatur werden in SI-Einheiten umgerechnet, je Systemklasse zu einem hierarchischen lognormalen Prior zusammengeführt und in Conformal-Intervalle mit gemessener Abdeckung eingefasst. Sie erhalten ein Intervall, keine Folklore.

  • Ausgaben werden als {value, unit, ci_low, ci_high, confidence, source} geliefert
  • Intervalle sind breit, wo der Korpus breit streut – der Variationskoeffizient der Leistungsdichte liegt bei rund 1.285 %
  • Die Abdeckung wird an zurückgehaltenen Beobachtungen gemessen, nicht angenommen
  • Unzureichende Eingaben liefern insufficient_inputs, nie einen erfundenen Standardwert
Methodik ansehen →
TemperaturpHHRTSubstratkonz.CSB-AbbauStromdichteCoulomb-Eff.LeistungsdichteH₂-ErtragMECHANISTISCHKORRELATIV

Kausale Struktur

Typisierte Kanten statt Wollknäuel

Parameter sind in einem gerichteten azyklischen Graphen verknüpft. Jede Kante ist danach gekennzeichnet, wie sie ermittelt wurde – aus der Physik abgeleitet oder aus gemeinsamen Beobachtungen im Korpus angepasst –, sodass Sie einen Mechanismus von einer Korrelation unterscheiden können.

  • Mechanistische Kanten stammen aus der Elektrochemie, nicht aus den Daten
  • Korrelative Kanten tragen die Zahl ihrer gemeinsamen Beobachtungen und ihren Support
  • Der Graph ist per Konstruktion azyklisch, und Tests stellen das sicher
  • Jede Kante führt zu den Publikationen, auf denen sie beruht
Graph erkunden →

Grundsätzlich offen

Neun offene Pakete, auf denen das ganze Fachgebiet aufbauen kann

Die Daten und Werkzeuge, auf denen MESSAI beruht, werden als eigenständige, zitierfähige Pakete veröffentlicht – jedes mit einem Schema, einer Lizenz und einer Datei CITATION.cff. Nutzen Sie sie in Ihren eigenen Analysen; sie hängen nicht von der Plattform ab.

Alle Repos auf GitHub ↗

MESS-Parameters

Daten

Die kanonische MES-Parameterontologie – Variablen mit Literaturverteilungen, ein kausaler DAG und vollständige Datenherkunft.

CC BY 4.0

MESS-Materials

Daten

DFT-berechnete Eigenschaften von Elektroden, Membranen und Katalysatoren mit Herkunftsangabe aus dem Materials Project und Pourbaix-Stabilität.

CC BY 4.0

MESS-Microbes

Daten

Kuratierte MES-relevante Mikroorganismen – Elektrogene, Elektrotrophe, Gemeinschaftspartner und Negativkontrollen.

MIT

MESS-Methods

Werkzeuge

Methodik-Werkzeuge und ein Validator für physikalische Randbedingungen zur Versuchsplanung, Stichprobenplanung und Qualitätskontrolle (Python).

MIT

MESS-Simulations

Werkzeuge

Physikbasierte Modelle – Butler-Volmer-Kinetik, Biofilmwachstum und Nernst-/Monod-Rechner.

MIT

MESS-Learning

Inhalte

Rechner für die Lehre – Nachhaltigkeit, Ökobilanz, technisch-ökonomische Bewertung und Ausrichtung an den SDGs.

CC BY 4.0

MESS-Agents

Werkzeuge

Ein Multi-Agenten-Framework, das Forschungsabläufe orchestriert – für Literaturanalyse und Erkenntnisgewinnung.

MIT

MESS-Hypotheses

Werkzeuge

Identifikation von Forschungslücken und Generierung von Hypothesen mit Konfidenzbewertung und Widerspruchserkennung.

MIT

MESS-datasets

Daten

Ein über Slugs adressierter Katalog kuratierter offener MES-Datensätze (Zenodo, Figshare) mit Querverweisen auf Parameters und Materials.

CC BY 4.0

Die Pakete sind neu für Sie? Beginnen Sie mit dem Handbuch oder lesen Sie, wie nachgelagerte Anwendungen das Parameterpaket nutzen.

Zwei Eingänge · eine Plattform

Gebaut für Betreiber und Forschende

Wenn Sie einen Abfallstrom bewirtschaften

Sehen Sie, was MES aus Ihrem Abwasser zurückgewinnen kann

  • Abfallstrom wählen → vorhergesagte Rückgewinnung sehen

    Sechs industrielle Archetypen + eigene Charakterisierung des Zulaufs. Live-ML-Vorhersagen mit 95-%-Konfidenzintervall.

  • Ehrliche TEA + Ökobilanz je Archetyp

    CapEx, OpEx, LCOE, LCO-Wasser, skaliert mit dem Durchfluss. GWP + fossile Energie aus begutachteten Referenzwerten.

  • Zuordnung zu 5 Physikfamilien

    MFC / MEC / MDC / MES / MNRC / MMRC / MBES, automatisch zugeordnet nach den Eigenschaften des Zulaufs.

Live-Demo ausprobieren →↗ Whitepaper lesen

Wenn Sie zu MES forschen

Der größte kuratierte Korpus + ein echter ML-Stack

  • 23.480 Publikationen · 195.846 Messwerte

    Zweistufige Extraktion (Kopfdaten der Publikation + Bedingungen je Messwert). Jede Zeile enthält DOI + Textauszug + Konfidenz.

  • 706 kanonische Parameter, FK-verknüpfter DAG

    2.812 mechanistische Kanten mit Literaturbelegen. Mehrachsige Taxonomie (17 Primärtypen × Subtypen × Kombinationen).

  • Vorhersagemodelle je Klasse + Conformal-Grenzen

    97,98 % OOS-Abdeckung beim Ziel von 95 %, gemessen an 940 zurückgehaltenen Beobachtungen. Hierarchische Priors, angepasst mit PyMC NUTS.

Mehr erfahren →↗ Labor öffnen

Jetzt starten

Kommen Sie mit einer Forschungsfrage.
Gehen Sie mit einer kalibrierten Antwort.

Durchsuchen Sie den Korpus, entwerfen Sie einen Reaktor und erhalten Sie Vorhersagen, die ihre eigene Unsicherheit ausweisen und ihre eigenen Quellen zitieren.

Mehr erfahren →Labor öffnen
founders@messai.io