Forschungsdaten – Titel und Zusammenfassungen von Publikationen, extrahierte Daten und Katalogeinträge – erscheinen in ihrer Originalsprache Englisch.
Erkenntnisse · Korpusübersicht
Was der MESSAI-Korpus aussagt
Berichtsvollständigkeit, kalibrierte Vorhersageintervalle, auffällige Publikationen, entdeckte Gesetze, gelernte kausale Kanten und systemübergreifende Übertragungen – aus den zuletzt veröffentlichten Artefakten des Trainings. Jedes Panel meldet seinen eigenen Status; nichts wird stillschweigend auf null gesetzt.
Berichtsvollständigkeit
23,1 % Korpusdurchschnitt · 289 bewertete Publikationen · 10.824 indexierte Publikationen in 5 Systemtypen
Korpusdurchschnitt
23,1 %
Berichtsvollständigkeit
MFC-Mittelwert
8,7
berichtete Parameter pro Publikation
MEC-Mittelwert
3,6
berichtete Parameter pro Publikation
| System | Publikationen | Elektroden- angaben | Betriebs- bedingungen | Elektr. Messwerte | Bio | Daten- angaben |
|---|---|---|---|---|---|---|
| MFC | 3.847 | 72 % | 58 % | 45 % | 35 % | 32 % |
| MES | 4.842 | 68 % | 55 % | 42 % | 32 % | 28 % |
| BES | 1.096 | 65 % | 48 % | 38 % | 28 % | 25 % |
| MEC | 966 | 70 % | 52 % | 40 % | 30 % | 28 % |
| MDC | 73 | 55 % | 38 % | 28 % | 20 % | 15 % |
Quelle: ISMET-2026-Abstract, Abb. 2A. Ein Live-Endpunkt für die Korpusübersicht steht noch aus.
Kalibrierungsgüte
Export aus dem Training ausstehend
research/calibration.json not yet published by trainer
Kalibrierungsmetriken auf Holdout-Daten veröffentlicht das Training mit jedem Release; dieses Panel füllt sich, sobald das Artefakt vorliegt.
Priors nach Vertrauensstatus
102 angepasste Parameter · Median 20 Publikationen · max. 367
8
8 % der Parameter
20
20 % der Parameter
71
70 % der Parameter
3
3 % der Parameter
Publikationen pro Parameter
Anzahl der Parameter mit N stützenden Publikationen. Höhere Klassen = stärkere Priors (A-priori-Verteilungen).
Führende kalibrierte Parameter
- power_density_arealn=367
- current_density_arealn=274
- powerDensityn=162
- internal_resistancen=151
- relative_abundancen=52
Markierte Parameter (Wert nur mit Vorbehalt verwenden)
8 % der kanonischen Parameter erreichen die Kalibrierungsschwelle (PPC, LOO und Konvergenz bestanden). Die Verteilung der Reproduzierbarkeitswerte auf Publikationsebene (die Analyse von 289 Publikationen im Abstract) ist als Trainingsdurchlauf nach dem Launch vorgemerkt.
Auffällige Publikationen
Führen Sie services/ml-engine/training/score_anomalies.py aus, um das Artefakt zu veröffentlichen.
Gelernte kausale Kanten
1 Kandidatenkante · HillClimbSearch + BICScore · 173 Publikationen
powerDensitycurrentDensity
Entdeckte symbolische Gesetze
2 erfolgreiche Anpassungen · PySR (Cranmer 2023) — symbolic regression
powerDensityvs.currentDensityMFC · n=51(x0 + (0.22200376 / ((x0 + 2.3158035) * -1.8066067))) - 0.6148749
P = V·I. At matched load V≈V_oc/2 ≈ const → P ∝ I
Verlust = 0,2252 · Komplexität = 11 · R² ≈ 0,198
coulombic_efficiencyvs.cod_removalMFC · n=29((x0 + -0.19921306) / ((x0 + (x0 + 0.46581972)) / 0.0033559396)) + -1.308836
At high COD removal, more substrate goes to biomass (not e-) → CE drops
Verlust = 0,4429 · Komplexität = 13 · R² ≈ 0,210
Systemübergreifende Übertragungen
64 tragfähige Übertragungen · 26 systeminterne Paare analysiert
| Parameter | Quelle | Ziel | n Stichproben |
|---|---|---|---|
| powerDensity | MFC | MSC | 5 |
| powerDensity | MFC | OTHER | 5 |
| powerDensity | MFC | REVIEW | 5 |
| powerDensity | MSC | MFC | 5 |
| powerDensity | MSC | OTHER | 5 |
| powerDensity | MSC | REVIEW | 5 |
58 weitere Übertragungen nicht angezeigt.
Erstellt am 10.05.2026