scientific-schematics

Wissenschaftliche Schemata und Diagramme

Überblick

Wissenschaftliche Schemata und Diagramme verwandeln komplexe Konzepte in klare visuelle Darstellungen für die Veröffentlichung. Diese Fähigkeit verwendet Nano Banana 2 KI für die Diagrammgenerierung mit Gemini 3.6 Flash Qualitätsprüfung.

So funktioniert es:

• Beschreiben Sie Ihr Diagramm in natürlicher Sprache
• Nano Banana 2 generiert automatisch publikationsreife Bilder
• Gemini 3.6 Flash bewertet die Qualität anhand dokumentspezifischer Schwellenwerte
• Intelligente Iteration: Stellt nur nach, wenn die Qualität unter dem Schwellenwert liegt
• Publikationsreife Ausgabe in Minuten
• Kein Code, keine Vorlagen oder manuelles Zeichnen erforderlich

Qualitätsschwellenwerte nach Dokumenttyp:

Dokumenttyp	Schwelle	Beschreibung
journal	8.5/10	Nature, Science, peer-reviewte Zeitschriften
conference	8.0/10	Konferenzbeiträge
thesis	8.0/10	Dissertationen, Abschlussarbeiten
grant	8.0/10	Förderanträge
preprint	7.5/10	arXiv, bioRxiv usw.
report	7.5/10	Technische Berichte
poster	7.0/10	Wissenschaftliche Poster
presentation	6.5/10	Folien, Vorträge
default	7.5/10	Allgemeiner Zweck

Beschreiben Sie einfach, was Sie möchten, und Nano Banana 2 erstellt es. Alle Diagramme werden im Unterordner figures/ gespeichert und in Papieren/Postern referenziert.

Was die Ausgabe ist: ein Raster-PNG in der Auflösung, die das Bildmodell zurückgibt. Diese Fähigkeit hat keinen Vektorpfad und keine DPI-Steuerung – wenn eine Zeitschrift PDF, EPS oder 300 dpi TIFF verlangt, konvertieren Sie das PNG nachgelagert und überprüfen Sie das Ergebnis in der endgültigen Druckgröße.

Schnellstart: Ein beliebiges Diagramm generieren

Erstellen Sie jedes wissenschaftliche Diagramm, indem Sie es einfach beschreiben. Nano Banana 2 erledigt alles automatisch mit intelligenter Iteration:

# Generieren für einen Zeitschriftenartikel (höchster Qualitätsschwellenwert: 8.5/10)
python scripts/generate_schematic.py "CONSORT-Teilnehmerflussdiagramm mit 500 gescreent, 150 ausgeschlossen, 350 randomisiert" -o figures/consort.png --doc-type journal

# Generieren für eine Präsentation (niedrigerer Schwellenwert: 6.5/10 - schneller)
python scripts/generate_schematic.py "Transformer-Encoder-Decoder-Architektur mit Multi-Head-Attention" -o figures/transformer.png --doc-type presentation

# Generieren für ein Poster (moderater Schwellenwert: 7.0/10)
python scripts/generate_schematic.py "MAPK-Signalweg von EGFR zur Gentranskription" -o figures/mapk_pathway.png --doc-type poster

# Benutzerdefinierte maximale Iterationen (max. 2)
python scripts/generate_schematic.py "Komplexer Schaltplan mit Operationsverstärker, Widerständen und Kondensatoren" -o figures/circuit.png --iterations 2 --doc-type journal

Was im Hintergrund passiert:

1. Generation 1: Nano Banana 2 erstellt ein erstes Bild nach wissenschaftlichen Diagramm-Best-Practices
2. Überprüfung 1: Gemini 3.6 Flash bewertet die Qualität anhand des dokumentspezifischen Schwellenwerts
3. Entscheidung: Wenn Qualität >= Schwellenwert → FERTIG (keine weiteren Iterationen nötig!)
4. Wenn unter dem Schwellenwert: Verbesserter Prompt basierend auf Kritik, neu generieren
5. Wiederholen: Bis die Qualität den Schwellenwert erreicht ODER die maximalen Iterationen erreicht sind

Vorteile der intelligenten Iteration:

• ✅ Spart API-Aufrufe, wenn die erste Generation gut genug ist
• ✅ Höhere Qualitätsstandards für Zeitschriftenartikel
• ✅ Schnellere Durchlaufzeit für Präsentationen/Poster
• ✅ Angemessene Qualität für jeden Anwendungsfall

Ausgabe: Versionierte Bilder (name_v1.png, name_v2.png), eine Kopie des Gewinners unter dem von Ihnen angegebenen Pfad und name_review_log.json mit der Punktzahl, der Kritik und dem Grund für den vorzeitigen Stopp pro Iteration.

Wenn die Überprüfung nicht ausgeführt werden kann – eine Ratenbegrenzung, ein Inhaltsfilter, ein Prüfer, der in einer unerwarteten Form antwortet – wird das Bild trotzdem generiert und gespeichert, aber es wird keine Punktzahl dafür erfunden. Das Protokoll zeichnet "score": null und "reviewed": false auf, mit dem Grund in "review_error", und der Durchlauf meldet Überprüfung nicht verfügbar – Bild behalten, Qualität nicht verifiziert. Behandeln Sie dieses Bild als ungeprüft und schauen Sie es sich selbst an; ein erneuter Versuch lohnt sich, da der Fehler normalerweise vorübergehend ist.

Konfiguration

Setzen Sie Ihren OpenRouter-API-Schlüssel:

export OPENROUTER_API_KEY='ihr_api_schluessel_hier'

Holen Sie sich einen API-Schlüssel unter: https://openrouter.ai/keys

Daten verlassen die Maschine. Ihr Prompt wird an OpenRouter gesendet, um das Bild zu generieren, und das generierte Bild wird zur Qualitätsprüfung an OpenRouter zurückgesendet. Beide unterliegen den Datenrichtlinien von OpenRouter und denen der zugrunde liegenden Modellanbieter. Beschreiben Sie keine unveröffentlichten Daten, Patienteninformationen oder etwas unter Embargo im Prompt.

Best Practices für die KI-Generierung

Effektive Prompts für wissenschaftliche Diagramme:

✓ Gute Prompts (spezifisch, detailliert):

• "CONSORT-Flussdiagramm, das den Teilnehmerfluss vom Screening (n=500) über die Randomisierung bis zur endgültigen Analyse zeigt"
• "Transformer-Neuronale-Netzwerk-Architektur mit Encoder-Stapel links, Decoder-Stapel rechts, die Multi-Head-Attention und Cross-Attention-Verbindungen zeigt"
• "Biologische Signalkaskade: EGFR-Rezeptor → RAS → RAF → MEK → ERK → Zellkern, mit beschrifteten Phosphorylierungsschritten"
• "Blockdiagramm eines IoT-Systems: Sensoren → Mikrocontroller → WLAN-Modul → Cloud-Server → Mobile App"

✗ Vermeiden Sie vage Prompts:

• "Erstellen Sie ein Flussdiagramm" (zu allgemein)
• "Neuronales Netz" (welcher Typ? welche Komponenten?)
• "Signalweg-Diagramm" (welcher Signalweg? welche Moleküle?)

Wichtige Elemente, die Sie einbeziehen sollten:

• Typ: Flussdiagramm, Architekturdiagramm, Signalweg, Schaltplan usw.
• Komponenten: Spezifische Elemente, die enthalten sein sollen
• Fluss/Richtung: Wie Elemente verbunden sind (links-nach-rechts, oben-nach-unten)
• Beschriftungen: Wichtige Anmerkungen oder Text, der enthalten sein soll
• Stil: Spezifische visuelle Anforderungen

Wissenschaftliche Qualitätsrichtlinien (automatisch angewendet):

• Sauberer weißer/heller Hintergrund
• Hoher Kontrast für Lesbarkeit
• Klare, lesbare Beschriftungen (mindestens 10pt)
• Professionelle Typografie (serifenlose Schriftarten)
• Farbenblindenfreundliche Farben (Okabe-Ito-Palette)
• Angemessene Abstände, um Überfüllung zu vermeiden
• Maßstabsbalken, Legenden, Achsen, wo angemessen

Wann diese Fähigkeit verwendet werden sollte

Diese Fähigkeit sollte verwendet werden, wenn:

• Neuronale Netzarchitektur-Diagramme erstellt werden (Transformer, CNNs, RNNs usw.)
• Systemarchitekturen und Datenflussdiagramme veranschaulicht werden
• Methodik-Flussdiagramme für Studiendesigns gezeichnet werden (CONSORT, PRISMA)
• Algorithmus-Workflows und Verarbeitungspipelines visualisiert werden
• Schaltpläne und elektrische Schemata erstellt werden
• Biologische Signalwege und molekulare Interaktionen dargestellt werden
• Netzwerktopologien und hierarchische Strukturen generiert werden
• Konzeptionelle Frameworks und theoretische Modelle veranschaulicht werden
• Blockdiagramme für technische Papiere entworfen werden

So verwenden Sie diese Fähigkeit

Beschreiben Sie Ihr Diagramm einfach in natürlicher Sprache. Nano Banana 2 generiert es automatisch:

python scripts/generate_schematic.py "Ihre Diagrammbeschreibung" -o ausgabe.png

Das war's! Die KI kümmert sich um:

• ✓ Layout und Komposition
• ✓ Beschriftungen und Anmerkungen
• ✓ Farben und Styling
• ✓ Qualitätsprüfung und Verfeinerung
• ✓ Publikationsreife Ausgabe

Funktioniert für alle Diagrammtypen:

• Flussdiagramme (CONSORT, PRISMA usw.)
• Neuronale Netzarchitekturen
• Biologische Signalwege
• Schaltpläne
• Systemarchitekturen
• Blockdiagramme
• Jede wissenschaftliche Visualisierung

Kein Code, keine Vorlagen, kein manuelles Zeichnen erforderlich.

---

KI-Generierungsmodus (Nano Banana 2 + Gemini 3.6 Flash Überprüfung)

Intelligente iterative Verfeinerung, fortgeschrittene Nutzung und Beispiele

Die Generieren-Überprüfen-Verfeinern-Schleife, die Python-API und die Befehlszeilenoptionen, die Prompt-Engineering-Anleitung und vier durchgearbeitete Beispiele (CONSORT-Flussdiagramm, neuronale Netzwerk- architektur, biologischer Signalweg, Systemarchitektur) finden Sie in references/iterative_refinement.md.

Die Schleife stoppt, sobald die Überprüfung bestanden ist, sodass ein einfaches Diagramm normalerweise eine Iteration kostet; nur komplexe Abbildungen nutzen das volle Budget aus.

Befehlszeilennutzung

Der Haupteinstiegspunkt zum Generieren wissenschaftlicher Schemata:

# Grundlegende Nutzung
python scripts/generate_schematic.py "Diagrammbeschreibung" -o ausgabe.png

# Benutzerdefinierte Iterationen (max. 2)
python scripts/generate_schematic.py "Komplexes Diagramm" -o diagramm.png --iterations 2

# Ausführlicher Modus
python scripts/generate_schematic.py "Diagramm" -o out.png -v

Hinweis: Das Nano Banana 2 KI-Generierungssystem enthält im iterativen Verfeinerungsprozess eine automatische Qualitätsprüfung. Jede Iteration wird auf wissenschaftliche Genauigkeit, Klarheit und Zugänglichkeit bewertet.

Zusammenfassung der Best Practices

Gestaltungsprinzipien – fordern Sie diese im Prompt an

1. Klarheit vor Komplexität – Vereinfachen, unnötige Elemente entfernen
2. Einheitliches Styling – Beschreiben Sie dieselben visuellen Konventionen in allen Abbildungen eines Papiers
3. Farbenblinden-Zugänglichkeit – Fordern Sie die Okabe-Ito-Palette und redundante Kodierung an
4. Angemessene Typografie – Serifenlose Schriftarten, großzügig bemessene Beschriftungen
5. Logischer Fluss – Geben Sie die Richtung explizit an (links-nach-rechts, oben-nach-unten)

Der Generator wendet all dies standardmäßig an, aber die Benennung in Ihren eigenen Worten für das spezifische Diagramm funktioniert besser, als sich nur auf die integrierten Richtlinien zu verlassen.

Was die Pipeline nicht kann

1. Vektorausgabe – Nur PNG; kein PDF, SVG oder EPS wird erzeugt
2. Auflösungssteuerung – Das Bildmodell wählt; es gibt kein DPI-Flag
3. Farbraum – Nur RGB; für CMYK-Druck-Workflows nachgelagert konvertieren
4. Exakte Linienstärken oder Textgrößen – Beschreiben Sie sie im Prompt, dann überprüfen Sie visuell

Für eine Zeitschrift, die Vektorgrafiken oder 300+ dpi TIFF verlangt, konvertieren Sie das PNG nach der Generierung und überprüfen Sie das Ergebnis in der Größe, in der es tatsächlich gedruckt wird.

Integrationsrichtlinien

1. In LaTeX einbinden – Verwenden Sie \includegraphics{} für generierte Bilder
2. Ausführlich beschriften – Beschreiben Sie alle Elemente und Abkürzungen
3. Im Text referenzieren – Erklären Sie das Diagramm im Erzählfluss
4. Konsistenz wahren – Gleicher Stil in allen Abbildungen des Papiers
5. Versionierung – Halten Sie Prompts und generierte Bilder im Repository

Fehlerbehebung bei häufigen Problemen

Die Generierung ist stochastisch und die Iteration ist auf 2 begrenzt, daher sind die Hebel, die das Ergebnis tatsächlich verändern, der Prompt, der Dokumenttyp und die erneute Ausführung. Es gibt keinen Nachbearbeitungsschritt und keine Qualitätsprüfungsbibliothek in dieser Fähigkeit: Alles, was Sie überprüfen können, befindet sich im generierten PNG und in <name>_review_log.json.

Das Diagramm ist falsch

Überlappender Text, überfüllte Elemente oder Pfeile, die ihr Ziel verfehlen

• Geben Sie das Layout im Prompt an: "vertikaler Fluss, eine Box pro Zeile, großzügige Abstände zwischen den Stufen"
• Geben Sie die Verbindungen an: "Pfeil von RAF zu MEK mit der Beschriftung Phosphorylierung", nicht "zeigen Sie die Kaskade"
• Führen Sie es erneut aus. Zwei Durchläufe desselben Prompts unterscheiden sich, und ein schlechtes Layout ist oft nur ein unglücklicher Zufall

Der Inhalt ist wissenschaftlich falsch oder eine Komponente fehlt

• Listen Sie die Komponenten explizit mit Anzahl und Beschriftungen auf – das Modell wird sie nicht ableiten
• Lesen Sie das critique-Feld im Überprüfungsprotokoll: Der Prüfer nennt normalerweise, was er vermisst hat

Falscher Text in Beschriftungen oder in das Bild eingebrannte Abbildungsnummern

• Der Prompt verbietet bereits "Abbildung 1:"-Unterschriften; sollte eine auftauchen, führen Sie es erneut aus
• Falsch geschriebene Beschriftungen sind der häufigste Fehler von Bildmodellen. Lesen Sie jede Beschriftung, bevor Sie sie verwenden

Die Punktzahl scheint falsch zu sein

Punktzahl ist niedriger als das Diagramm verdient

• Lesen Sie die Kritik, bevor Sie es erneut ausführen; die Beschwerde des Prüfers ist oft berechtigt und spezifisch
• Der Schwellenwert, nicht die Punktzahl, entscheidet, ob iteriert wird – --doc-type journal verlangt 8.5

Ein Durchlauf stoppt bei einer Punktzahl unter dem Schwellenwert

• Das ist die Iterationsbegrenzung. --iterations 2 ist das Maximum; das letzte Bild wird behalten und gemeldet mit seiner tatsächlichen Punktzahl

"score": null und "reviewed": false im Protokoll

• Der Überprüfungsaufruf ist fehlgeschlagen oder hat in einer unbrauchbaren Form geantwortet. Das Bild ist in Ordnung und wurde behalten; nur seine Qualität wurde nie gemessen. Überprüfen Sie "review_error", schauen Sie sich das Bild selbst an und führen Sie es erneut aus

Einrichtung

Fehler: OPENROUTER_API_KEY nicht gefunden

• export OPENROUTER_API_KEY='sk-or-v1-...', oder fügen Sie ihn zu einer .env-Datei hinzu, oder übergeben Sie --api-key

Fehler: requests-Bibliothek nicht gefunden

• uv pip install requests

Jeder API-Fehler – führen Sie mit -v aus, um die Anfrage, den Modell-Slug und den vollständigen Fehlertext zu sehen

Ressourcen und Referenzen

Detaillierte Referenzen

Laden Sie diese Dateien für umfassende Informationen zu bestimmten Themen:

• references/iterative_refinement.md – Die Generieren-Überprüfen-Verfeinern-Schleife, die Python-API, jede Befehlszeilenoption, Prompt-Engineering-Anleitung und vier durchgearbeitete Beispiele
• references/best_practices.md – Publikationsstandards und Zugänglichkeitsrichtlinien, auf die Sie zurückgreifen können, wenn Sie Prompts schreiben und das Ergebnis beurteilen

Externe Ressourcen

Publikationsstandards

• Nature Richtlinien für Abbildungen: https://www.nature.com/nature/for-authors/final-submission
• Science Richtlinien für Abbildungen: https://www.science.org/content/page/instructions-preparing-initial-manuscript
• CONSORT-Diagramm: http://www.consort-statement.org/consort-statement/flow-diagram

Integration mit anderen Fähigkeiten

Diese Fähigkeit arbeitet synergetisch mit:

• Wissenschaftliches Schreiben – Diagramme folgen den Best Practices für Abbildungen
• Wissenschaftliche Visualisierung – Teilt Farbpaletten und Styling
• LaTeX-Poster – Generieren von Diagrammen für Posterpräsentationen
• Forschungsförderung – Methodikdiagramme für Anträge
• Peer Review – Bewerten der Klarheit und Zugänglichkeit von Diagrammen

Kurzreferenz-Checkliste

Überprüfen Sie vor dem Einreichen von Diagrammen:

Lesen Sie das Überprüfungsprotokoll (dies ist die einzige automatisierte Prüfung, die es gibt)

• <name>_review_log.json existiert und "reviewed" ist true in der letzten Iteration
• "final_score" ist eine reelle Zahl, nicht null, und erfüllt den Schwellenwert für Ihren Dokumenttyp
• Lesen Sie das "critique" – die verbleibenden Probleme des Prüfers werden auch bei bestandener Punktzahl aufgelistet
• Wenn mehr als eine Version generiert wurde, vergleichen Sie _v1 und _v2 und behalten Sie die bessere

Schauen Sie sich das Bild selbst an

• Jede Beschriftung ist korrekt geschrieben – Bildmodelle verschreiben Texte, und keine automatische Prüfung hier fängt es auf
• Kein überlappender oder abgeschnittener Text
• Alle Pfeile verbinden die Elemente, die sie verbinden sollen
• Die Wissenschaft stimmt

[...für die Übersetzung gekürzt]