Plattformüberblick · Datenblatt
Von der Literatur zum vorhersagbaren Reaktor.
MESSAI macht aus einem kuratierten Korpus der Forschung zur mikrobiellen Elektrochemie ein funktionierendes Modell des Fachgebiets – semantische Erschließung der Publikationen, eine kausale Karte der Parameter und ein kalibrierter ML-Stack, der die Leistungsfähigkeit von Reaktoren mit ehrlichen Unsicherheitsangaben und nachvollziehbaren Quellen vorhersagt.
- Fachgebiet
- MFC · MEC · MDC · MES
- Zielgruppe
- Akademische MES-Forschende
- Stand
- 06.07.2026 · lokale DB
- Architektur
- 4 Zonen · Postgres + pgvector
Was es ist
Eine Forschungsplattform für bioelektrochemische Reaktoren
Mikrobielle elektrochemische Systeme sind Reaktoren, in denen Bakterien organische Substanz oxidieren und Elektronen an eine Elektrode abgeben – und so Strom (MFC), Wasserstoff (MEC), Entsalzung (MDC) oder gezielte Synthesen (MES) ermöglichen. Das Fachgebiet ist datenreich, aber über Zehntausende Publikationen mit uneinheitlichen Einheiten und Berichtsweisen zersplittert. MESSAI führt diese Literatur in einem abfragbaren, modellgestützten System zusammen, sodass Forschende fragen können, was bekannt ist, einen Reaktor entwerfen und eine belastbare Leistungsschätzung erhalten – ohne die Oberfläche zu wechseln.
Das Fundament
Der Korpus in Zahlen
Live, wo eine einfache Zählung genügt; dokumentiert und datiert, wo eine Zahl von der Harmonisierung abhängt. Prüfen Sie die Zahlen vor einer externen Zitierung erneut gegen die Produktionsdaten.
Hinweis zur wissenschaftlichen Integrität. Die Extraktion ist unvollkommen und die Abdeckung ungleichmäßig – für rund 40 % der Publikationen fehlen noch Parameterextraktionen (die Erfassung lief der Extraktion voraus), und die Streuung ist enorm (Variationskoeffizient der Leistungsdichte ≈ 1.285 %). Punktschätzungen sind ohne ihren Kontext bedeutungslos; deshalb ist jede Zahl auf der Plattform darauf ausgelegt, mit n, Einheiten, Wertebereich und einer Konfidenzangabe ausgegeben zu werden. Der begrenzende Faktor für die Modellierbarkeit sind Harmonisierung und Verifikation, nicht das reine Extraktionsvolumen.
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.
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 →Parameter mit echten Verteilungen
Durchsuchen Sie kanonische Parameter mit Literaturverteilungen je System, hierarchischen Priors (A-priori-Verteilungen) und Konfidenzangaben – keine Einzelwert-Folklore.
Katalog öffnen →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 →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 →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 →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
Korpus
Über 20.000 MES-Publikationen erfasst – 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 DOI, Textauszug und Konfidenz.
- 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} – nie als bloße Punktschätzung.
- 6
3D-Labor
Entwerfen Sie einen Reaktor und sehen Sie die Vorhersage, die empirische Evidenz dahinter und die mechanistische Verlustzerlegung nebeneinander.
Der Vorhersagevertrag
Jede Ausgabe bringt ihre eigene Unsicherheit mit
Vorhersagen sind nie einzelne Zahlen. Jeder Wert wird mit Grenzen, einer Konfidenz und einer Quelle ausgeliefert und nach Physikfamilie geleitet, statt in ein Enum mit drei Typen gezwängt zu werden.
// every numeric output
{
value: 0.42,
unit: "W/m^2",
ci_low: 0.19,
ci_high: 0.71,
confidence: "medium",
source: "hierarchical_prior + conformal"
}
// held-out coverage at the 95% target
coverage: 97.98% (n = 940)Systemtaxonomie
17 primäre Typen, nicht drei
Der Korpus ist nach einer kanonischen Taxonomie mit siebzehn primären Systemtypen klassifiziert (dazu mehrachsige Subtypen und Kombinationstypen). Eine Beschränkung auf MFC/MEC/MDC würde den Rest stillschweigend in die falsche Form zwingen.
Eine ehrliche Bestandsaufnahme
Was angebunden ist – und was im Dunkeln liegt
Offenheit über den Reifegrad ist ein Grundsatz der Plattform. Hier stehen ausgelieferte, für Nutzende sichtbare Oberflächen den Funktionen gegenüber, die im Code existieren, aber noch keine live geschaltete Oberfläche haben.
Live & angebunden
- Forschungssuche + quellengestützter Chat – Retrieval über pgvector, ~25 Korpus- und ML-Werkzeuge
- Parameter – Katalog, kausaler DAG, Wissensgraph, Parameterstudie
- 3D-Labor + ML-Vorhersagen – Conformal-Intervalle für jede Ausgabe
- Hunter – physikalisch unmögliche Werte, Anomalien, Ausreißer
- Verwaltung – Korpusstatistik, Extraktionsverarbeitung
Im Dunkeln (gebaut, ohne Oberfläche)
- Engine für die Manuskriptprüfung – Werkzeuge zum Quellenabgleich fertig, keine Oberfläche
- Abbildungsdigitalisierung auf Abruf – läuft nächtlich, nicht interaktiv
- Live-Designempfehlungen aus dem bayesschen Netz – vorberechnet, kein Endpunkt für individuelle Anfragen
- Orchestrator für Forschungsagenten – Platzhalter liefert 503
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.
MESS-Parameters
DatenDie kanonische MES-Parameterontologie – Variablen mit Literaturverteilungen, ein kausaler DAG und vollständige Datenherkunft.
CC BY 4.0MESS-Materials
DatenDFT-berechnete Eigenschaften von Elektroden, Membranen und Katalysatoren mit Herkunftsangabe aus dem Materials Project und Pourbaix-Stabilität.
CC BY 4.0MESS-Microbes
DatenKuratierte MES-relevante Mikroorganismen – Elektrogene, Elektrotrophe, Gemeinschaftspartner und Negativkontrollen.
MITMESS-Methods
WerkzeugeMethodik-Werkzeuge und ein Validator für physikalische Randbedingungen zur Versuchsplanung, Stichprobenplanung und Qualitätskontrolle (Python).
MITMESS-Simulations
WerkzeugePhysikbasierte Modelle – Butler-Volmer-Kinetik, Biofilmwachstum und Nernst-/Monod-Rechner.
MITMESS-Learning
InhalteRechner für die Lehre – Nachhaltigkeit, Ökobilanz, technisch-ökonomische Bewertung und Ausrichtung an den SDGs.
CC BY 4.0MESS-Agents
WerkzeugeEin Multi-Agenten-Framework, das Forschungsabläufe orchestriert – für Literaturanalyse und Erkenntnisgewinnung.
MITMESS-Hypotheses
WerkzeugeIdentifikation von Forschungslücken und Generierung von Hypothesen mit Konfidenzbewertung und Widerspruchserkennung.
MITMESS-datasets
DatenEin über Slugs adressierter Katalog kuratierter offener MES-Datensätze (Zenodo, Figshare) mit Querverweisen auf Parameters und Materials.
CC BY 4.0Die Pakete sind neu für Sie? Beginnen Sie mit dem Handbuch oder lesen Sie, wie nachgelagerte Anwendungen das Parameterpaket nutzen.
Unter der Haube
Vier Zonen, ein Repository
Ein Nx-Monorepo wird als vier unabhängige Zonen hinter einer einzigen URL ausgeliefert. Schreibzugriffe laufen ausschließlich über die API-Zone; die übrigen Zonen lesen aus dem gemeinsamen Speicher aus Postgres + pgvector, ergänzt um Python-ML-Dienste für Embeddings, OCR und Gauß-Prozess-Inferenz.
Forschung, Parameter, Hunter, Verwaltung und die Startseite.
Der 3D-Reaktorsimulator und der Modellkatalog.
Alle API-Routen; die einzige Zone, die in die Datenbank schreibt.
Marketing-, Lern- und Referenzinhalte.
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.