Mikrobielle elektrochemische Systeme · Research Intelligence
Von der Literatur zu einem Reaktor, den Sie begründen können.
MESSAI vereint einen kuratierten Korpus zur mikrobiellen Elektrochemie, einen Parametergraphen auf Basis von Fachkonsens und kalibrierte Prior-Intervalle – damit Sie herausfinden, was bekannt ist, einen Reaktor in 3D entwerfen und literaturbasierte Leistungsbereiche mit ihren Bedingungen und Grenzen sehen.
Eine Plattform – von der Publikation bis zur überprüfbaren Schätzung
Jeder Bereich stützt sich auf denselben kuratierten Korpus und denselben Prior-Stack – so führt alles, was Sie entdecken, analysieren und abschätzen, auf seine Quelle zurück.
Vom rohen PDF zur Schätzung mit gemessener Intervallabdeckung
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
Korpus
19.000+ MES-Publikationen im Korpus – die Volltext-PDFs inhaltsadressiert und für die semantische Suche eingebettet.
2
Extraktion
Eine zweistufige LLM-Extraktion liest Messwerte samt ihren Bedingungen aus – jeder Wert behält seine DOI, etwa die Hälfte zusätzlich einen Textauszug aus der Quelle.
3
Kanonisierung
Rohwerte werden in SI-Einheiten umgerechnet und kanonischen Parametern zugeordnet, sodass Zahlen aus verschiedenen Publikationen vergleichbar werden.
4
Priors & Kalibrierung
Hierarchische bayessche Priors (PyMC, lognormal) je Systemklasse, eingefasst in Conformal-Intervalle mit gemessener Abdeckung.
5
Vorhersage
Vorhersagemodelle je Physikfamilie liefern jede Ausgabe als {value, unit, ci_low, ci_high, confidence, source}. Die Intervallfelder sind gefüllt, wo ein kalibriertes Intervall existiert.
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
Kalibrierte Intervalle
Intervalle erscheinen, wo sie kalibriert sind
Messwerte aus der Literatur werden in SI-Einheiten umgerechnet, je Systemklasse zu einem hierarchischen lognormalen Prior zusammengeführt und, wo eine Kalibrierung vorliegt, 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
Parameter sind in einem gerichteten azyklischen Graphen verknüpft. Jede Kante ist danach gekennzeichnet, wie sie ermittelt wurde – aus der Physik abgeleitet, aus dem Fachkonsens übernommen oder durch gemeinsame Beobachtung im Korpus gestützt. Fast alle beruhen auf Fachkonsens, und keine ist als kausal gesichert.
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
Gemeinsam beobachtete Kanten führen zu Publikationen; mechanistische Kanten belegen ihre Herleitung
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.
Ein kuratierter Korpus und ein getesteter ML-Stack
19.000+ Publikationen · 214.682 Messwerte
Zweistufige Extraktion (Kopfdaten der Publikation + Bedingungen je Messwert). Jede Zeile enthält ihre DOI; etwa die Hälfte enthält einen Textauszug aus der Quelle.
835 kanonische Parameter, FK-verknüpfter DAG
2.792 gerichtete Kanten (Stand 22. Juli 2026): 2.721 beruhen auf Fachkonsens, 11 sind durch gemeinsames Auftreten im Korpus gestützt, keine ist als kausal gesichert. Mehrachsige Taxonomie (17 Primärtypen × Subtypen × Kombinationen).
Priors je Klasse mit gemessener Intervallabdeckung
Hierarchische Priors (PyMC NUTS, v2): Die 95-%-Intervalle decken 96,1 % von 5.269 zurückgehaltenen Werten aus 339 Publikationen ab, bewertet am 28. Oktober 2026. Das ist Intervallabdeckung, keine Punktgenauigkeit.
Kommen Sie mit einer Forschungsfrage. Gehen Sie mit der Evidenz, ihren Bedingungen und, wo belegt, einem kalibrierten Bereich.
Durchsuchen Sie den Korpus, entwerfen Sie einen Reaktor und lesen Sie literaturbasierte Bereiche, die ihre Quellen und Bedingungen nennen und ausweisen, wo kein kalibrierter Bereich existiert.