SpinCastML: Open‑Source‑Tool für inverses Design von Elektrospinnen

Die Elektrospinnen-Technik ermöglicht die Herstellung von Mikro‑ bis Nanofasern mit maßgeschneiderten Strukturen. Kleine Änderungen in Lösung oder Prozessbedingungen können jedoch das Jet‑Verhalten stark verändern und zu nicht‑normalverteilten Faserdurchmessern führen. Trotz erheblicher Fortschritte fehlt bislang ein System, das inverse Designziele mit chemischen Beschränkungen verknüpft und komplette Durchmesserverteilungen vorhersagen kann.

SpinCastML ist ein freies, quelloffenes Programm, das maschinelles Lernen, optimalen Stichproben und Inverse Monte‑Carlo‑Methoden kombiniert, um diese Lücke zu schließen. Das Tool basiert auf einem sorgfältig kuratierten Datensatz von 68 480 Faserdurchmessern aus 1 778 Experimenten mit 16 Polymeren. Durch die Integration von drei strukturierten Stichprobenverfahren, 11 leistungsstarken Lernalgorithmen und chemiefreundlichen Einschränkungen kann SpinCastML nicht nur den Mittelwert, sondern die gesamte Durchmesserverteilung vorhersagen.

Der Cubist‑Algorithmus in Verbindung mit einem polymerausgewogenen Sobol‑D‑Sampling erzielt die höchste Gesamtleistung (R² > 0,92). Die Inverse Monte‑Carlo‑Engine erfasst die Verteilungen mit R² > 0,90 und einem Fehler von unter 1 % zwischen vorhergesagten und experimentellen Erfolgsraten. Sie unterstützt sowohl retrospektive Analysen als auch zukunftsorientiertes inverses Design, indem sie physikalisch und chemisch machbare Kombinationen von Polymer‑ und Lösungsmittelparametern mit quantifizierten Erfolgswahrscheinlichkeiten für benutzerdefinierte Ziele generiert.

SpinCastML wandelt die Elektrospinnen-Entwicklung von einem trial‑and‑error‑Ansatz in einen reproduzierbaren, datengetriebenen Designprozess um. Als Open‑Source‑Executable steht es Laboren weltweit zur Verfügung und fördert die Standardisierung und Effizienz in der Faserherstellung.