静电纺丝是一种高效制备纳米纤维的方法，通过在高压电场下拉伸聚合物溶液或熔体。纤维直径从几十纳米到几微米不等，广泛应用于过滤材料、生物医用等领域。虽然设备简单，但纺丝过程极其敏感，任何微小参数变动都可能导致纤维直径分布大幅改变。目前，静电纺丝结果仍“高度不可预测，纤维直径分布随时间波动”，这种不稳定性限制了工业应用。传统上，研究者通过大量试验来微调配方和工艺，但这成本高、耗时长。因而，如何建立可靠模型或框架，实现以目标纤维形态反推工艺参数（逆向设计），成为当前热点。

为应对上述问题，SpinCastML项目开发了一个开源决策支持工具，将机器学习与逆向蒙特卡罗（IMC）相结合，实现静电纺丝配方的逆向设计。该工具的核心在于采用“分布意识+化学约束”的策略：

作者整理了16种聚合物的静电纺丝实验数据，涵盖68,480个纤维直径观测值（共1,778个独立实验）。数据包括溶液浓度、溶剂比例、电压、流速、收集器距离、转速、环境温度湿度等参数，可提供丰富的输入特征。

引入聚合物-溶剂可溶性表和溶剂相容性表。所有反演结果需满足聚合物在溶剂中的溶解度和溶剂间的化学兼容性，保证输出配方可实验验证。

为减轻数据不平衡和高维稀疏问题，采用了多阶段采样（随机、Sobol低差异序列、D-最优实验设计），并提出聚合物平衡的Sobol+D-最优采样策略，确保少数聚合物得到足够代表性 。

评估了11种回归模型，最终发现Cubist回归树结合上述平衡采样策略效果最佳。模型训练采用k折交叉验证，全局预测R²>0.92（超过90%数据变异）

将问题视为概率推断，通过随机采样模拟逆向过程。IMC输出一组可行的工艺组合，并给出成功概率，而非单一最优解。例如，对七种聚合物IMC预测与实验匹配度R²>0.90，成功率误差<1%。

通过上述方法，SpinCastML能够根据用户设定的目标纤维直径分布（含标准差容差），生成多个具备化学合理性的配方方案，并量化成功率。这种以概率分布为基础的逆向设计新视角，使用户可权衡工艺鲁棒性和风险，避免依赖单一“最优”易碎解。

SpinCastML论文报告了两组核心指标：

此外，论文强调SpinCastML可进行追溯分析，即在已知某配方下检验其纤维分布预测，帮助理解实验偏差来源。

SpinCastML的思想和成果与最近几项研究相呼应：

可以看出，SpinCastML创新地关注分布和化学制约，而不是仅优化均值，是对现有方法的重要补充。

论文也指出了一些改进空间：目前SpinCastML未考虑的一些描述符（如溶液稳态粘度、电导率、表面张力、聚合物分子量分布、溶剂挥发性、温度依赖性质等）可能影响纤维形成。此外，缺少一些非线性复合参量（例如Ohnesorge数、雷诺数、Hansen溶解度参数等）。未来若能集成这些参数，模型的鲁棒性和解释力将进一步提升。此外，扩充更多不同条件（高压、多头喷、环境变量等）数据，有助于提高模型泛化能力。

SpinCastML代表了静电纺丝领域从“试错驱动”向“数据驱动”模式的重要转变。其开放源代码和数据资源为研究社区提供了实用工具和平台（SpinCastML   GitHub）。读者可尝试该软件进行配方设计，或在其基础上改进模型。未来，结合新参数和更多实验数据，将进一步推动静电纺丝的智能制造进程。

对工业和实验者而言，可考虑利用SpinCastML等工具预先筛选配方，减少实验次数。科研人员亦可关注开源社区，利用Cogni-e-SpinDB等数据集训练新模型，共同提升纺丝技术的可控性。