SpinCastML 전기방사 역설계용 오픈 의사결정 애플리케이션

초록

SpinCastML은 68 480개의 섬유 직경 데이터를 기반으로, 화학적 제약을 고려한 전기방사 공정의 전체 직경 분포를 예측하고, 목표 분포에 맞는 공정 조건을 역으로 설계해 주는 오픈소스 머신러닝·역몬테카를로 플랫폼이다. Sobol‑D 최적 샘플링과 Cubist 모델을 결합해 전역 R² > 0.92의 정확도를 달성한다.

상세 분석

본 논문은 전기방사 공정의 복잡한 다변량 특성을 데이터‑구동 방식으로 정량화하고, 역설계까지 확장한 최초의 통합 프레임워크를 제시한다. 1,778개의 문헌 데이터를 정제해 68 480개의 섬유 직경 관측값을 구축했으며, 이는 16종의 고분자와 다양한 용매·공정 파라미터를 포괄한다. 데이터 불균형을 해소하기 위해 무작위 샘플링, Sobol 저불일치 시퀀스, D‑optimal 설계, 그리고 폴리머 균형 하이브리드 샘플링을 비교 평가하였다. 특히 폴리머‑밸런스 Sobol + D‑optimal 전략은 소수 폴리머의 대표성을 유지하면서 고차원 입력 공간을 고르게 탐색하도록 설계돼, 10 000개의 샘플에서도 R² ≈ 0.997이라는 높은 적합도를 보였지만, 과도한 최적화는 일반화 능력을 저해한다는 점을 지적한다.

11개의 머신러닝 알고리즘(선형 회귀, 랜덤 포레스트, XGBoost, Cubist 등)을 3‑,5‑,10‑폴드 교차검증으로 벤치마크한 결과, Cubist 회귀 모델이 Sobol + D‑optimal 샘플링과 결합했을 때 전역 R² > 0.92, RMSE와 MAE에서도 최우수 성능을 기록했다. 이 모델은 평균 직경뿐 아니라 전체 확률분포(히스토그램 형태)를 직접 예측하도록 설계돼, 비정규·중첩된 분포를 정확히 재현한다.

역몬테카를로(IMC) 엔진은 훈련된 전역 모델을 이용해 목표 직경 분포와 허용 오차를 입력으로, 화학적 타당성(고분자‑용매 용해성, 용매‑용매 혼용성)과 사용자가 정의한 제약조건을 동시에 만족하는 공정 파라미터 조합을 quasi‑random Sobol/LHS 샘플링으로 생성한다. 성공 확률은 시뮬레이션된 분포와 실험 데이터 간의 R² > 0.90, 성공률 오차 <1%로 검증되었다. 따라서 사용자는 원하는 평균·분산·형태의 섬유 분포를 지정하면, 실현 가능하고 환경·안전 기준을 만족하는 레시피를 즉시 도출할 수 있다.

소프트웨어는 독립 실행형 실행 파일 형태로 배포돼, 비전문가도 자체 데이터셋을 업로드하고 전처리·모델 학습·역설계 과정을 GUI 기반으로 수행할 수 있다. 이는 실험실 수준의 데이터 사이언스 장벽을 낮추고, 공동 개발·데이터 공유를 통한 커뮤니티 확장을 목표로 한다. 전반적으로 본 연구는 (1) 대규모 고품질 데이터베이스 구축, (2) 구조화된 샘플링을 통한 데이터 효율성 극대화, (3) 분포‑인식 머신러닝 모델링, (4) 화학 제약을 내재한 역설계 엔진이라는 네 가지 핵심 요소를 결합해 전기방사 설계 패러다임을 ‘시행착오 → 데이터‑구동’으로 전환한다는 점에서 의의가 크다.