SpinCastML：面向电动纺丝制造的开源决策应用——基于机器学习、最优抽样与逆蒙特卡罗方法
机器学习
2026-02-11 v1
摘要
电动纺丝是一种强大的技术，用于生产具有特定应用构架的微到纳米尺度纤维。解决方案或操作条件的细微变化会导致喷嘴范畴变化，生成非高斯纤维直径分布。尽管取得了显著进展，但现有的框架无法实现针对所需纤维结果的逆向设计，同时整合聚合物溶剂化学约束或预测完整分布。SpinCastML 是一个开源的、分布感知的、化学信息化的机器学习和逆蒙特卡罗（IMC）软件，用于逆向电动纺丝设计。基于来自68,480个纤维直径、覆盖1,778个数据集和16种聚合物的严格筛选数据集，SpinCastML 集成了三个结构化抽样方法、一组11个高性能学习器，以及化学约束来预测不仅是平均直径，也是整个分布。以聚合物平衡Sobol D 最优抽样为基础的Cubist模型提供了最高的全局性能（R2 > 0.92）。IMC准确地捕捉纤维分布，实现R2 > 0.90和预测值与实验成功率误差<1%。IMC引擎支持retrospective分析和forward-looking逆向设计，生成与用户定义目标相匹配的物理和化学可行的聚合物溶剂参数组合，并量化成功概率。SpinCastML将电动纺丝从试错模式转换为可重复的数据驱动设计流程。作为可执行的开源软件，它使实验室能够分析自己的数据集并共同构建一个不断扩大的社区软件。SpinCastML减少了实验浪费，加速了发现过程， democratizes access to advanced modeling，确立了分布感知的逆向设计作为可持续纳米纤维制造的新标准，适用于生物医学、过滤和能源应用。
引用
@article{arxiv.2602.09120,
title = {SpinCastML an Open Decision-Making Application for Inverse Design of Electrospinning Manufacturing: A Machine Learning, Optimal Sampling and Inverse Monte Carlo Approach},
author = {Elisa Roldan and Tasneem Sabir},
journal= {arXiv preprint arXiv:2602.09120},
year = {2026}
}