Kooperation mit dem UFZ Leipzig · Modell-Setups und Priors
Live-Briefing zur Kooperation
Die Datenschicht für mechanistische Bioelektrochemie.
Parameter, Priors (A-priori-Verteilungen) und Modell-Setups auf Korpusebene – abgestimmt auf Dr. Benjamin Korths Arbeiten zu Thermodynamik, Kinetik und Energieeffizienz elektroaktiver Mikroorganismen.
Der Plan auf einer Seite
Was zuerst kommt, was jeder Schritt braucht, wie wir das Modell testen und was bisher schiefging.
Die Priors reparieren, die ihre eigenen Prüfungen nicht bestehen
Offen71 von 171 gepoolten Fits verfehlen die Konvergenzschwelle, und 33 Anteilsparameter bekommen Intervalle unter 0 oder über 1.
- Braucht
- Zwei Modelländerungen: ein Logit-Link für Anteile (#1302) und ein nicht zentrierter Fit (#1303). Keine Daten vom UFZ.
- Fertig, wenn
- Kein Intervall verlässt seinen physikalischen Bereich, und Leistungsdichte, Stromdichte und Coulomb-Effizienz erreichen R-hat ≤ 1,01.
Kinetik aus kontinuierlichen BES ergänzen
Braucht BenjaminDer Korpus enthält kein K_S oder q_max für kontinuierliche Biofilme, und gepoolte Reaktordaten ersetzen sie nicht.
- Braucht
- Benjamins Läufe aus kontinuierlichen BES, mit Durchfluss, Acetatkonzentration und Strom.
- Fertig, wenn
- K_S und q_max haben je einen Wert, ein Intervall und n, oder eine Begründung, warum die Daten das nicht tragen.
Fine-Tuning an einem echten Datensatz testen
Braucht BenjaminFine-Tuning läuft, aber niemand hat geprüft, ob es einen neuen Lauf besser vorhersagt als der Korpus-Prior allein.
- Braucht
- Ein Datensatz von Benjamin, von dem mindestens ein Lauf zurückgehalten wird.
- Fertig, wenn
- Der Posterior sagt den zurückgehaltenen Lauf besser vorher als der Korpus-Prior.
Was das Modell können soll und wie wir es testen
Jeder Test bildet etwas nach, das Forschende wirklich tun. Die Schwellen bleiben Vorschläge, bis die Partner sie bestätigen.
| Das Modell soll | So testen wir es | Bestanden, wenn | Heute |
|---|---|---|---|
| Intervalle liefern, die halten, was sie sagen | Das 95-%-Intervall an 5.269 Werten aus 339 Papers prüfen, die nicht in den Fit gingen. | Rund 95 % der zurückgehaltenen Werte liegen im Intervall. | Besteht96,1 % (95,5–96,6), 28. Okt. 2026. Breit: über 5 Dekaden bei flächenbezogener Leistungsdichte. |
| Die einfache Schätzung schlagen | 3.593 Werte aus 590 Papers vorhersagen, vor der Bewertung eingefroren, jedes Paper bleibt ganz. | Mindestens 10 % weniger Fehler als der Median je Klasse und Domäne. | Besteht noch nichtKein Modell besteht (2. Sept. 2026). |
| Den Korpus mit eigenen Labordaten übertreffen | Auf Benjamins Läufen feinabstimmen, dann einen ungesehenen Lauf vorhersagen. | Weniger Fehler als der Korpus-Prior allein, und der Lauf liegt im Intervall. | Braucht Partnerdaten |
Ohne Partnerdaten gemessen
Zwei Prüfungen, die allein mit veröffentlichten Arbeiten möglich sind. Beide lassen sich wiederholen, und die Zahlen sind auf jeder Seite gleich.
| Prüfung | Ergebnis | Was offen bleibt |
|---|---|---|
| Stehen die extrahierten Werte wirklich in der Publikation? | 96 % von 308 geprüften Werten aus Forschungsarbeiten, über 20 Publikationen (31. Okt. 2026). | Maschinell geprüft, noch nicht von einem Menschen. 101 Werte aus Übersichtsarbeiten stammen aus anderen Studien. 41 % der echten Werte erreichen das Modell. |
| Trifft das Modell veröffentlichte Läufe, die es nie gesehen hat? | Lab-Simulator: 7 von 17 innerhalb von 25 %. API und Chat: 4 von 17, 8 ohne Antwort (31. Okt. 2026). | Der Simulator lag bei 0 von 5 MFC-Werten innerhalb von 25 %. Eine MFC-Anfrage ohne CSB antwortet weiter nur aus ihren Materialien. |
Was bisher schiefging
Diese Zeilen stammen aus unseren eigenen Sitzungen und Prüfungen, nicht aus Meldungen der Partner. Neue Meldungen landen hier.
| Was geschah | Was das ändert | Gefunden in |
|---|---|---|
| Das ausgelieferte 95-%-Intervall beschrieb den Mittelwert, nicht ein neues Experiment: 0,05–0,11 W/m² gegenüber einer echten Streuung von 0,00013–44,7 W/m². | Jeder Fit hat jetzt ein prädiktives Intervall für ein neues Paper, und das alte ist als Intervall des Mittelwerts gekennzeichnet. | Eigene Prüfung |
| Fine-Tuning nahm Fits an, die der Trainer als nicht konvergiert markiert hatte, wenn R-hat höchstens 1,05 war. | Seit dem 27. Okt. 2026 verlangt es R-hat ≤ 1,01, ESS ≥ 400 und keine Divergenzen und lehnt den Rest ab. | Eigene Prüfung |
| 33 Anteilsparameter bekommen prädiktive Intervalle außerhalb von 0–1. Die Coulomb-Effizienz reicht von −0,38 bis 1,12. | Diese Intervalle werden zurückgehalten. Der Logit-Link (#1302) ist die Lösung und noch offen. | Eigene Prüfung |
Wie ein Fehler zurück ins Modell gelangt
- Melden. Kommentieren Sie diese Seite, oder schicken Sie uns den Lauf.
- Nachstellen. Wir machen daraus einen Test mit der echten Eingabe und dem erwarteten Ergebnis.
- Beheben. Wir ändern Modell oder Pipeline an der Ursache.
- Erneut testen. Der Test bleibt im Satz, und das Ergebnis steht hier.
Diese Schritte laufen von Hand. Nichts davon ist bisher automatisiert.
01 · Modell-Setups, die Ihnen vertraut sein dürften
Öffnen Sie jede Konfiguration im Labor
Jede Karte nennt die Physik, die die Konfiguration bestimmt. Die Zahlen auf den Karten sind typische Literaturbereiche, für die in MESSAI noch keine Quelle hinterlegt ist: zur Orientierung, nicht als Daten. Klicken Sie auf eine Karte, um ihre Details im Live-Katalog zu öffnen.
Mikrobielle Elektrosynthese
Carbon FixerEine rückwärts betriebene MFC: Elektronen + CO₂ → Acetat/Butyrat. Sporomusa ovata auf einer Kathode, typischerweise bei −0,4…−1,2 V vs. SHE.
Butler–Volmer + HER · CO₂/HCO₃⁻/CO₃²⁻-Gleichgewichte + Stofftransport · Wood–Ljungdahl-Flussbilanz · Monod mit mehreren Produkten
Zweikammer-MEC
Hydrogen EngineExoelektrogene an der Anode oxidieren Acetat; eine Vorspannung von ~0,4–0,8 V treibt die H₂-Entwicklung an der Kathode. Die H₂-Energie wird oft mit 150–400 % allein des elektrischen Eintrags angegeben, ohne die Energie des Substrats.
Butler–Volmer mit Biofilm-Leitung (Marcus–Hush) · Monod-Wachstum · Volmer–Heyrovsky–Tafel-HER · Nernst–Planck über die CEM
Ressourcenrückgewinnung / MDC
Circular MinerBioelektrodialyse mit drei Kammern: kathodische Reduktion + Ionenrückgewinnung + Entsalzung. Berichtete Nettoenergie zwischen −0,5 und +0,3 kWh·m⁻³.
Nernst–Planck-Mehrionentransport · Donnan-Gleichgewichte an Membranen · Butler–Volmer an Elektroden · Ladungsbilanz des Stacks
Kontinuierliches mikrofluidisches BES
Laminar ShieldMembranlose laminare Parallelströmung bei niedriger Re; Acetatzufuhr bei kurzer Verweilzeit – ein sauberes Testsystem für die Kinetik der kontinuierlichen Acetataufnahme.
Navier–Stokes (niedrige Re) · Konvektion–Diffusion–Reaktion · Butler–Volmer-Randbedingungen · Monod-Biofilm · δ≈√(D·L/U)
02 · Metaanalyse, aufgeteilt nach Systemklasse
Gepoolte bayessche Priors als Forest-Plots
Gepoolte Posteriors (A-posteriori-Verteilungen) des Populationsmittels und Posteriors je Systemklasse mit 95-%-Glaubwürdigkeitsintervallen (wo eine typische Studie liegt, nicht die Spannweite einzelner Reaktoren) – die Aufteilung nach Klassen (MES / MEC / MFC) ist die eigentliche Aussage. Ein bernsteinfarbenes Stufenlabel markiert ein Stratum, dessen MCMC-Fit nicht konvergiert ist: gekennzeichnet, nie verborgen. Öffnen Sie jede Karte im Live-Explorer.
Coulomb-Effizienz
Im Explorer öffnen →Der Forest-Plot vergleicht MES vs. MEC vs. MFC – die Aufteilung nach Klassen ist die eigentliche Aussage.
Flächenbezogene Stromdichte
Im Explorer öffnen →Prior auf Log-Skala; die endlastige Streuung spiegelt echte Varianz über den Korpus wider.
Angelegtes Potenzial
Im Explorer öffnen →Verteilung des Energieeintrags für MEC – der energetische Hebel.
CSB-Abbau
Im Explorer öffnen →Reinigungsleistung über kathodische und gemischte Systeme hinweg.
03 · Priors für den direkten Einsatz in Ihren Modellen
Posteriors als Sampling-Spezifikationen herunterladen
Der Export liefert jeden Fit als direkt samplebare Verteilung (Lognormalverteilung auf Basis des natürlichen Logarithmus für endlastige Größen, Normalverteilung für lineare) mit n, Einheiten, Herkunft und Vorbehalten – direkt in PyMC / Stan / scipy.
| Parameter | Klasse | n | Zentralwert | 95-%-Intervall | Konvergiert | Kennzeichen |
|---|---|---|---|---|---|---|
| coulombic_efficiency | gepoolt | 230 | 37,2 %Mittelwert | 33,2 % – 41,1 % | nein | Diagnostik fehlgeschlagensampler did not converge (converged=false, rhat_max=1.0202, ess_bulk_min=301) |
| MEC | 36 | 56,4 %Mittelwert | 48,2 % – 65 % | ja | vertrauenswürdig | |
| MES | 23 | 70,1 %Mittelwert | 61 % – 78,8 % | ja | vertrauenswürdig | |
| MFC | 124 | 24,1 %Mittelwert | 19,7 % – 28,5 % | nein | Diagnostik fehlgeschlagensampler did not converge (converged=false, rhat_max=1.04, ess_bulk_min=94) | |
| current_density_areal | gepooltlog | 176 | 0,489 A/m²geom. Mittel | 0,319 A/m² – 0,756 A/m² | nein | Diagnostik fehlgeschlagensampler did not converge (converged=false, rhat_max=1.0241, ess_bulk_min=283) |
| MEClog | 19 | 1,6 A/m²geom. Mittel | 0,617 A/m² – 4,03 A/m² | ja | brauchbarmoderate support (n_papers=19) | |
| MESlog | 13 | 7,54 A/m²geom. Mittel | 0,99 A/m² – 56,2 A/m² | ja | Diagnostik fehlgeschlagenLOO unreliable (high Pareto-k) — influential outliers dominate the fit | |
| MFClog | 106 | 0,287 A/m²geom. Mittel | 0,17 A/m² – 0,46 A/m² | nein | Diagnostik fehlgeschlagensampler did not converge (converged=false, rhat_max=1.0147, ess_bulk_min=435) | |
| cod_removal | gepoolt | 333 | 70,5 %Mittelwert | 68,4 % – 72,7 % | ja | vertrauenswürdig |
| MEC | 44 | 67,6 %Mittelwert | 62,6 % – 72,8 % | ja | vertrauenswürdig | |
| MES | 9 | 73,3 %Mittelwert | 55,4 % – 93,2 % | nein | Diagnostik fehlgeschlagensampler did not converge (converged=false, rhat_max=1.0768, ess_bulk_min=37) | |
| MFC | 225 | 71,5 %Mittelwert | 69,2 % – 74 % | ja | vertrauenswürdig | |
| applied_potential | gepoolt | 10 | -0,0504 VMittelwert | -0,338 V – 0,244 V | ja | Diagnostik fehlgeschlagenLOO unreliable (high Pareto-k) — influential outliers dominate the fit |
Jede Zeile: hierarchical-priors (v2-sota-2026-05-15); n ist die Zahl der Publikationen je Fit.
Zentralwert = das Posterior-Zentrum des Populationsmittels (bei Log-Fits ein geometrisches Mittel), dieselbe Größe wie das 95-%-Intervall daneben. Die Bewertung stammt aus derselben Prüfung, die der Feinabstimmungs-Endpunkt verwendet: unbrauchbar / Diagnose fehlgeschlagen = Varianz innerhalb der Studien kollabiert, der Trainer hat den Fit nicht als konvergiert markiert (dafür verlangt er R-hat ≤ 1,01, ESS ≥ 400 und keine Divergenzen), LOO unzuverlässig oder ν < 1, Intervall durchgestrichen; spärlich = weniger als 8 Publikationen; brauchbar = besteht die Prüfung mit weniger als 20 Publikationen oder nicht bestätigtem LOO.
04 · Acetatkinetik in kontinuierlichen BES
Das Bild der Acetataufnahme, das Ihre Modelle formalisieren
Die Acetataufnahme kontinuierlich betriebener Geobacter-Biofilme wird üblicherweise mit Monod-Kinetik modelliert, q = q_max·S/(K_S+S). Die Tabelle zeigt Korpus-Fits für verwandte beobachtbare Größen, bewertet mit derselben Prüfung wie die Priors oben; mehrere bestehen sie nicht. Keine davon ist K_S oder q_max, und jede poolt alle Reaktortypen des Korpus statt kontinuierlicher Biofilme. An dieser Lücke kämen Ihre Daten aus kontinuierlichen BES ins Spiel.
Eine Form, kein Fit: K_S und q_max sind unbekannt, daher hat keine Achse eine Skala. Die gepoolte flächenbezogene Stromdichte des Korpus (Posterior-Zentrum 0,489 A/m²) ist ein Zentrum über alle Reaktortypen, nicht das q_max eines Biofilms, und ist hier nicht eingezeichnet.
| Kinetische Größe | n | Zentralwert | 95-%-Intervall | Kennzeichen |
|---|---|---|---|---|
| Substratkonzentrationlog | 93 | 685 mg/L | 392 mg/L – 1,18e+3 mg/L | vertrauenswürdig |
| Acetatkonzentrationlog | 63 | 926 mg/L | 604 mg/L – 1,45e+3 mg/L | vertrauenswürdig |
| Flächenbezogene Stromdichtelog | 176 | 0,489 A/m² | 0,319 A/m² – 0,756 A/m² | Diagnostik fehlgeschlagen |
| Spitzenstrom | 117 | 0,00134 A | 0,000298 A – 0,00273 A | unbrauchbar |
| Austauschstromdichte (j₀)log | 9 | 0,162 A/m² | 0,0261 A/m² – 1,05 A/m² | Diagnostik fehlgeschlagen |
| Spezifische Wachstumsrate (µ) | 10 | 0,162 1/h | 0,0505 1/h – 0,276 1/h | brauchbar |
| Biofilmdickelog | 31 | 0,0000292 m | 0,0000115 m – 0,0000735 m | Diagnostik fehlgeschlagen |
| Durchflussratelog | 48 | 0,322 L/h | 0,183 L/h – 0,449 L/h | unbrauchbar |
Was der Korpus noch nicht fittet – hier könnten Ihre Daten aus kontinuierlichen BES den Grundstein legen
- K_S – Halbsättigungskonstante: der Acetat-Affinitätsterm der Monod-Aufnahme q = q_max·S/(K_S+S) – korpusweit nicht extrahiert
- q_max – Maximale spezifische Aufnahmerate: das Sättigungsplateau der Acetataufnahme – korpusweit nicht extrahiert
05 · Feinabstimmung mit Ihren eigenen Daten
Machen Sie aus dem Korpus-Prior Ihren Posterior
Fügen Sie Ihre eigenen Messwerte ein und wählen Sie ein Basis-Stratum. MESSAI berechnet ein Partial-Pooling-Update in geschlossener Form – Korpus-Prior ⊕ Ihre Daten → Ihr Posterior – im selben Format als Sampling-Spezifikation, das Sie oben herunterladen. Es weist das Shrinkage-Gewicht w aus (wie viel vom Korpus übernommen wird). Es lehnt einen Basis-Fit ab, dessen Varianz innerhalb der Studien kollabiert ist, dessen LOO unzuverlässig ist, dessen ν unter 1 liegt oder den der Trainer nicht als konvergiert markiert hat: Dafür verlangt er R-hat höchstens 1,01, ESS mindestens 400 und keine Divergenzen, und ein Fit ohne Konvergenzangabe wird ebenfalls abgelehnt. Bis zum 27. Okt. 2026 akzeptierte es vom Trainer als nicht konvergiert markierte Fits, wenn R-hat höchstens 1,05 betrug; das tut es nicht mehr. Basen mit weniger als 8 Publikationen werden mit einem Warnhinweis akzeptiert. Die eingefügten Zahlen werden zur Berechnung an die API von MESSAI gesendet und nicht gespeichert.
Durchgestrichene Strata lehnt der Feinabstimmungs-Endpunkt ab: Der Trainer hat den Fit nicht als konvergiert markiert (R-hat ≤ 1,01, ESS ≥ 400), LOO ist unzuverlässig oder ν liegt unter 1, oder die Varianz innerhalb der Studien ist kollabiert, sodass beliebige von Ihnen eingegebene Daten den Prior erdrücken würden. Den genauen Grund sehen Sie, wenn Sie den Mauszeiger darauf bewegen.
Offene Entscheidung
Welches Modell soll im Labordesign-Chat antworten?
Labordesign-Antworten dauern heute etwa 50 Sekunden. Ein kleineres Modell beantwortet dieselben Fragen in etwa 19 Sekunden, zu etwa 3 % der Kosten, schlägt aber seltener im Korpus nach. Uns interessiert Ihre Einschätzung, was für Ihre Arbeit wichtiger ist.
Nachschlagen von Publikationen und DatenSchreiben der Antwort
| Messgröße | Claude Haiku 5.5 | Claude Sonnet 4.6 |
|---|---|---|
| Zeit pro Antwort (Median) | 19 s | 50 s |
| Erste sichtbare Aktivität | 2,2 s | 2,4 s |
| Schreiben der Antwort | 10,6 s | 33,7 s |
| Korpus-Abfragen pro Antwort | 4 | 7 |
| Antwortlänge (Tokens) | 3.026 | 2.346 |
| Geschätzte Kosten pro Antwort | 0,007 $ | 0,21 $ |
Wie die Antworten aussahen
- Beide
Beide Modelle zitierten Publikationen aus dem Korpus und sagten klar, wenn die Evidenz dünn war.
- Sonnet 4.6
Trennte die Leistungsdichte nach Bezugsfläche (Anode, Kathode, Membran) und warnte davor, über Bezugsgrößen hinweg zu vergleichen.
- Haiku 5.5
Gab eine direkte Schätzung (100–150 mW/m², Anodenfläche) aus wenigen Acetat-Publikationen und kennzeichnete sie als vorläufig.
- Sonnet 4.6
Ergänzte einen Abschnitt zu Mechanismen, der auf Allgemeinwissen beruhte und nicht aus dem Korpus stammte.
Gelesen nur für 2 der 10 Fragenpaare.
Die Optionen
- 1Sonnet 4.6 beibehaltenAm sorgfältigsten bei Einheiten und Bezugsgrößen. Antworten bleiben bei etwa 50 Sekunden.
- 2Haiku 5.5 nur für LabordesignLaborantworten in etwa 19 Sekunden; allgemeine Fragen bleiben bei Sonnet.
- 3Haiku 5.5 überallAm schnellsten und günstigsten. Jede Antwort stützt sich auf ein Modell, das seltener im Korpus nachschlägt.
Welche Option würden Sie wählen, und gibt es eine Frage, an der wir beide Modelle testen sollten? Antworten Sie in den Kommentaren auf dieser Seite oder an founders@messai.io.
Methode: 10 Labordesign-Fragen pro Modell, abwechselnd gesendet am 26. Okt. 2026; keine Antwort wich auf einen anderen Anbieter aus. Die Zeiten sind serverseitig gemessen, ohne Ihre Netzwerkzeit. Preise sind die Listenpreise des AI Gateway; die Kosten pro Antwort sind eine Schätzung aus den medianen Token-Zahlen bei 81 % aus dem Cache gelesenem Input.
Wo die Daten weich sind – vorab offengelegt
- Die Extraktion ist verrauscht – die Streuung über den Korpus ist groß (Variationskoeffizient der Leistungsdichte ≈ 10³ %); jeder Wert wird mit n, Einheiten und Spannweite ausgeliefert.
- Die Abdeckung ist unvollständig – ein erheblicher Teil der indexierten Publikationen ist noch nicht mit extrahierten Werten verknüpft, daher spiegeln die Verteilungen die extrahierte Teilmenge wider.
- Spärliche oder nicht konvergierte Fits werden gekennzeichnet, nie verborgen.
Die Priors stammen aus dem hierarchischen v2-Artefakt je Klasse (PyMC NUTS, Student-t). Modell-Setups und Metaanalyse verlinken auf die Live-Oberflächen von Labor und Metaanalyse. Erstellt als Kooperations-Briefing für Dr. Benjamin Korth, Helmholtz Centre for Environmental Research — UFZ.