論文の概要: FibreCastML: An Open Web Platform for Predicting Electrospun Nanofibre Diameter Distributions

• arxiv url: http://arxiv.org/abs/2601.04873v1
• Date: Thu, 08 Jan 2026 12:18:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.192983
• Title: FibreCastML: An Open Web Platform for Predicting Electrospun Nanofibre Diameter Distributions
• Title（参考訳）: FibreCastML: 電子スピンナノファイバー径分布予測のためのオープンWebプラットフォーム
• Authors: Elisa Roldan, Kirstie Andrews, Stephen M. Richardson, Reyhaneh Fatahian, Glen Cooper, Rasool Erfani, Tasneem Sabir, Neil D. Reeves,
• Abstract要約: エレクトロスピニング(Electrospinning)は、組織工学、薬物デリバリー、創傷治療に応用するために、調整可能なマイクロスケールとナノスケールのアーキテクチャを持つ繊維足場を製造するためのスケーラブルな技術である。 機械学習(ML)は、電子スピン化プロセスの最適化をサポートするのに使われてきたが、既存のほとんどのアプローチは、足場性能を規定する全径分布を無視して、繊維径のみを予測する。 本研究はFibreCastMLについて述べる。これはオープンな分布対応MLフレームワークで、日常的に報告される電子スピンリングパラメータから完全なファイバー径スペクトルを予測し、プロセス構造関係に関する解釈可能な洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electrospinning is a scalable technique for producing fibrous scaffolds with tunable micro- and nanoscale architectures for applications in tissue engineering, drug delivery, and wound care. While machine learning (ML) has been used to support electrospinning process optimisation, most existing approaches predict only mean fibre diameters, neglecting the full diameter distribution that governs scaffold performance. This work presents FibreCastML, an open, distribution-aware ML framework that predicts complete fibre diameter spectra from routinely reported electrospinning parameters and provides interpretable insights into process structure relationships. A meta-dataset comprising 68538 individual fibre diameter measurements extracted from 1778 studies across 16 biomedical polymers was curated. Six standard processing parameters, namely solution concentration, applied voltage, flow rate, tip to collector distance, needle diameter, and collector rotation speed, were used to train seven ML models using nested cross validation with leave one study out external folds. Model interpretability was achieved using variable importance analysis, SHapley Additive exPlanations, correlation matrices, and three dimensional parameter maps. Non linear models consistently outperformed linear baselines, achieving coefficients of determination above 0.91 for several widely used polymers. Solution concentration emerged as the dominant global driver of fibre diameter distributions. Experimental validation across different electrospinning systems demonstrated close agreement between predicted and measured distributions. FibreCastML enables more reproducible and data driven optimisation of electrospun scaffold architectures.
• Abstract（参考訳）: エレクトロスピニング(Electrospinning)は、組織工学、薬物デリバリー、創傷治療に応用するために、調整可能なマイクロスケールとナノスケールのアーキテクチャを持つ繊維足場を製造するためのスケーラブルな技術である。 機械学習(ML)は、電子スピン化プロセスの最適化をサポートするのに使われてきたが、既存のほとんどのアプローチは、足場性能を規定する全径分布を無視して、繊維径のみを予測する。 本研究はFibreCastMLについて述べる。これはオープンな分布対応MLフレームワークで、日常的に報告される電子スピンリングパラメータから完全なファイバー径スペクトルを予測し、プロセス構造関係に関する解釈可能な洞察を提供する。 バイオメディカルポリマー16種を対象に、1778年の研究から抽出した68538個の繊維径のメタデータセットをキュレートした。 6つの標準処理パラメータ、すなわち溶液濃度, 印加電圧, 流量, 先端からコレクター距離, 針径, コレクタローテーション速度を用いて, ネスト型クロスバリデーションを用いて7つのMLモデルをトレーニングし, 外部折り畳み実験を行った。 モデルの解釈性は,変数重要度解析,SHapley Additive exPlanations,相関行列,三次元パラメータマップを用いて達成された。 非線型モデルは線形ベースラインを一貫して上回り、広く用いられるポリマーの0.91以上の決定係数を達成した。 溶液濃度は繊維径分布の卓越したグローバルドライバとして出現した。 異なる電子スピンリング系における実験的検証により, 予測分布と測定分布との密接な一致が示された。 FibreCastMLは、より再現性が高く、データ駆動型の電気スキャフォールドアーキテクチャの最適化を可能にする。

関連論文リスト

• Soil Compaction Parameters Prediction Based on Automated Machine Learning Approach [0.0]
  本研究では,最適水分量(OMC)と最大乾燥密度(MDD)を予測する自動機械学習(AutoML)手法を提案する。 この研究により、XGBoost(Extreme Gradient Boosting)アルゴリズムは最高の性能を示し、MDDは80.4%、OCCは89.1%のR2乗値を得た。
  論文  参考訳（メタデータ） (2025-12-09T08:13:04Z)
• Hybrid machine learning based scale bridging framework for permeability prediction of fibrous structures [0.0]
  本研究では,繊維状繊維構造の透水性を予測するための,ハイブリッド機械学習に基づくスケールブリジングフレームワークを提案する。 SSM(Single Scale Method)、SUM(Simple Upscaling Method)、SBM(Scale-Bridging Method)、FRM(Fully Resolved Model)の4つの手法が評価された。
  論文  参考訳（メタデータ） (2025-02-07T16:09:25Z)
• Semiparametric inference for impulse response functions using double/debiased machine learning [49.1574468325115]
  本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。 提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
  論文  参考訳（メタデータ） (2024-11-15T07:42:02Z)
• COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
  液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。 得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。 実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
  論文  参考訳（メタデータ） (2024-07-24T14:45:25Z)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• Nonlinear Manifold Learning Determines Microgel Size from Raman Spectroscopy [40.325359811289445]
  近年のアプローチでは、ラマン信号と粒子径の相関を示すが、ラマン測定からポリマーのサイズを正確にかつ確実に決定することができない。 本稿では,拡散マップ,交互拡散マップ,共形オートエンコーダネットワークを含む3つの機械学習手法を提案する。 共形オートエンコーダはラマンスペクトルからのポリマーサイズ予測において、最先端の手法と結果を大きく上回った。
  論文  参考訳（メタデータ） (2024-03-13T09:39:15Z)
• Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
  我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。 化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。 最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
  論文  参考訳（メタデータ） (2023-08-02T22:18:41Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。