論文の概要: SpinCastML an Open Decision-Making Application for Inverse Design of Electrospinning Manufacturing: A Machine Learning, Optimal Sampling and Inverse Monte Carlo Approach

• arxiv url: http://arxiv.org/abs/2602.09120v1
• Date: Mon, 09 Feb 2026 19:10:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.210954
• Title: SpinCastML an Open Decision-Making Application for Inverse Design of Electrospinning Manufacturing: A Machine Learning, Optimal Sampling and Inverse Monte Carlo Approach
• Title（参考訳）: SpinCastML - 電子スピン製造の逆設計のためのオープン意思決定アプリケーション: 機械学習, 最適サンプリング, 逆モンテカルロアプローチ
• Authors: Elisa Roldan, Tasneem Sabir,
• Abstract要約: SpinCastMLは、インバース・エレクトロスピニング設計のためのオープンソース、分散対応、化学情報処理機械学習およびInverse Monte Carlo (IMC)ソフトウェアである。 SpinCastMLは、16のポリマーからなる1,778のデータセットから68,480の繊維径の厳格にキュレートされたデータセット上に構築されている。 IMCは繊維の分布を正確に把握し、予測された成功率と実験成功率の1%の誤差でR2 > 0.90に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electrospinning is a powerful technique for producing micro to nanoscale fibers with application specific architectures. Small variations in solution or operating conditions can shift the jet regime, generating non Gaussian fiber diameter distributions. Despite substantial progress, no existing framework enables inverse design toward desired fiber outcomes while integrating polymer solvent chemical constraints or predicting full distributions. SpinCastML is an open source, distribution aware, chemically informed machine learning and Inverse Monte Carlo (IMC) software for inverse electrospinning design. Built on a rigorously curated dataset of 68,480 fiber diameters from 1,778 datasets across 16 polymers, SpinCastML integrates three structured sampling methods, a suite of 11 high-performance learners, and chemistry aware constraints to predict not only mean diameter but the entire distribution. Cubist model with a polymer balanced Sobol D optimal sampling provides the highest global performance (R2 > 0.92). IMC accurately captures the fiber distributions, achieving R2 > 0.90 and <1% error between predicted and experimental success rates. The IMC engine supports both retrospective analysis and forward-looking inverse design, generating physically and chemically feasible polymer solvent parameter combinations with quantified success probabilities for user-defined targets. SpinCastML reframes electrospinning from trial and error to a reproducible, data driven design process. As an open source executable, it enables laboratories to analyze their own datasets and co create an expanding community software. SpinCastML reduces experimental waste, accelerates discovery, and democratizes access to advanced modeling, establishing distribution aware inverse design as a new standard for sustainable nanofiber manufacturing across biomedical, filtration, and energy applications.
• Abstract（参考訳）: エレクトロスピニング(Electrospinning)は、マイクロからナノスケールの繊維を製造するための強力な技術である。 溶液や操作条件の小さなバリエーションは、ジェットレジームをシフトさせ、非ガウスファイバーの直径分布を生成する。 相当な進歩にもかかわらず、既存のフレームワークは、ポリマー溶媒の化学制約を統合したり、完全な分布を予測しながら、望ましい繊維結果への逆設計を可能にしない。 SpinCastMLは、インバース・エレクトロスピニング設計のためのオープンソース、分散対応、化学情報処理機械学習およびInverse Monte Carlo (IMC)ソフトウェアである。 SpinCastMLは、16のポリマーからなる1,778個のデータセットから68,480個の繊維径の厳密なデータセットに基づいて構築され、構造化されたサンプリング方法、11人の高性能学習者からなるスイート、および平均直径だけでなく、全体の分布を予測する化学知識の制約を統合している。 ポリマーバランスのソボルD最適サンプリングを用いた立方体モデルは、最も高いグローバル性能(R2 > 0.92)を提供する。 IMCは繊維分布を正確に把握し、R2 > 0.90 となり、予測成功率と実験成功率との誤差は <1% となる。 IMCエンジンは、振り返り解析と前方向きの逆設計の両方をサポートし、物理的および化学的に実現可能なポリマー溶媒パラメータパラメータと、ユーザ定義されたターゲットに対する定量成功確率の組み合わせを生成する。 SpinCastMLは、試行錯誤から再現可能なデータ駆動設計プロセスへのエレクトロスピニングを再構成する。 オープンソースの実行環境として、研究所は自身のデータセットを分析し、拡大するコミュニティソフトウェアを共同で作成することができる。 SpinCastMLは、実験的な廃棄物を減らし、発見を加速し、高度なモデリングへのアクセスを民主化し、バイオメディカル、濾過、エネルギーアプリケーションにわたる持続可能なナノファイバー製造のための新しい標準として、分散を意識した逆設計を確立する。

関連論文リスト

• FibreCastML: An Open Web Platform for Predicting Electrospun Nanofibre Diameter Distributions [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-08T12:18:41Z)
• Hierarchical Stacking Optimization Using Dirichlet's Process (SoDip): Towards Accelerated Design for Graft Polymerization [0.0]
  放射線による移植は、イオン交換膜、CO2分離膜、電池電解質のポリマーフィルムの正確な機能化を可能にする。 本稿では、DirichletのProcess(SoDip)階層型データ駆動フレームワークを用いた階層的スタック最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-25T05:36:26Z)
• Machine learning for in-situ composition mapping in a self-driving magnetron sputtering system [1.6306913973914294]
  本研究はマグネトロン共スパッタリングに基づくSDLを提案する。 フレームワークを用いて,多素子, 組成グレード薄膜の正確な合成マップを得る。 スパッタ室に設置した水晶結晶マイクロバランスセンサを用いて,多素子薄膜の組成分布を予測する手法を開発した。
  論文  参考訳（メタデータ） (2025-06-06T11:38:35Z)
• Interpretable Deep Learning for Polar Mechanistic Reaction Prediction [43.95903801494905]
  PMechRP(Polar Mechanistic Reaction Predictor)は,PMechDBデータセット上で機械学習モデルをトレーニングするシステムである。 私たちは、トランスフォーマーベース、グラフベース、および2段階のシアムアーキテクチャを含む、さまざまな機械学習モデルの比較をトレーニングします。 私たちの最高のパフォーマンスのアプローチはハイブリッドモデルで、5アンサンブルのChemformerモデルと2ステップのSiameseフレームワークを組み合わせたものです。
  論文  参考訳（メタデータ） (2025-04-22T02:31:23Z)
• Bellman Diffusion: Generative Modeling as Learning a Linear Operator in the Distribution Space [72.52365911990935]
  本稿では,MDPの線形性を維持する新しいDGMフレームワークであるBellman Diffusionを紹介する。 この結果から,ベルマン拡散は分布RLタスクにおける従来のヒストグラムベースベースラインよりも1.5倍高速に収束し,精度の高い画像生成装置であることがわかった。
  論文  参考訳（メタデータ） (2024-10-02T17:53:23Z)
• 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)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• Comparing Hyper-optimized Machine Learning Models for Predicting Efficiency Degradation in Organic Solar Cells [38.647921189039934]
  本研究は,有機太陽電池 (OSC) の電力変換効率 (PCE) に苦しむ時間的劣化を表現するための機械学習モデルを提案する。 製造プロセスと環境条件の両方に関して最大7変数を含む996項目のデータベースを180日間以上作成しました。 一方、根平均二乗誤差(RMSE)、二乗誤差(SSE)の和、および平均絶対誤差(MAE)>1%の目標値であるPCEは、係数決定(R2)の値に達した。
  論文  参考訳（メタデータ） (2024-03-29T22:05:26Z)
• Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation [41.38091115195305]
  本研究は、HCCI燃焼制御のためのディープニューラルネットワーク(DNN)に基づく非線形MPCの実験的実装を示す。 ARM Cortex A72上のMPCのリアルタイム実装を可能にするために、Acadosソフトウェアパッケージを使用することで、最適化計算は1.4ms以内で完了する。 現像した制御器のIMEP軌道は, プロセス制約の観測に加えて, 根平均2乗誤差0.133バールで良好であった。
  論文  参考訳（メタデータ） (2023-10-12T15:03:50Z)
• 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。