Un Modello di Deep Learning Double-Head per la Classificazione Multi-Livello di Spettri Raman: Applicazione ad Alcuni Gruppi e Minerali da RRUFF Database

La spettroscopia Raman è una tecnica potente per l'identificazione dei minerali, ma la complessità dei suoi spettri richiede metodi di analisi avanzati. Questo lavoro presenta lo sviluppo e la validazione di un innovativo modello di Deep Learning a Rete Neurale Convoluzionale (CNN) con architettura ''Double-Head'', progettato per la classificazione multi-livello degli spettri Raman di minerali, distinguendo simultaneamente il materiale specifico e il suo gruppo di appartenenza. Il dataset, composto da 187 spettri originali del database RRUFF, è stato sottoposto a un'accurata pre-elaborazione, inclusa l'interpolazione (200-1250 cm⁻¹, 1000 punti) e una robusta strategia di Data Augmentation che ha espanso il set di addestramento a 441 campioni. Il modello addestrato (con Early Stopping all'epoca 17) ha dimostrato prestazioni eccezionali sul set di test indipendente di 36 spettri, raggiungendo un'accuratezza del 91.67% per la classificazione dei materiali e dell'88.89% per la classificazione dei gruppi, con perdite contenute (0.1682 e 0.1916 rispettivamente). Tali risultati superano ampiamente il concetto di un semplice Proof-of-Concept, configurandosi come un prototipo funzionale e altamente performante. Il successo è stato reso possibile da una sinergica collaborazione human-in-the-loop-AI tra il ricercatore umano (AC Sparavigna) e l'intelligenza artificiale conversazionale Google Gemini, che ha permesso di affrontare e risolvere problematiche complesse in meno di otto ore lavorative (inclusa creazione del database), evidenziando l'efficienza e la flessibilità di questo approccio nella ricerca scientifica.