Gli spettri ATR-IR di alcuni minerali analizzati tramite Autoencoder e K-means (ATR-IR spectra of some minerals analyzed using an Autoencoder and K-means)

Questo studio presenta un approccio innovativo per l'analisi e la classificazione dei dati spettrali di minerali, combinando la spettroscopia ad Assorbimento Totale Attenuato (ATR) con un modello di autoencoder per la riduzione di dimensionalità e un algoritmo di clustering non supervisionato K-Means. L'obiettivo è esplorare le relazioni spettrali intrinseche tra i minerali e la capacità di un'intelligenza artificiale di raggrupparli in modo coerente e significativo. La ricerca ha dimostrato che la compressione dei dati spettrali tramite l'autoencoder crea una rappresentazione compatta nello spazio latente, che facilita un clustering più efficiente e interpretabile. Analisi successive con un numero crescente di cluster (fino a 44) hanno rivelato un equilibrio ottimale a 25 cluster, dove il modello ha separato con successo minerali distinti e ha identificato raggruppamenti naturali di minerali affini, come le zeoliti. I risultati confermano l'efficacia di questo metodo per la classificazione spettrale, offrendo un potente strumento per l'analisi geologica e mineralogica. This study presents an innovative approach for the analysis and classification of mineral spectral data, combining Attenuated Total Reflectance (ATR) spectroscopy with an autoencoder model for dimensionality reduction and an unsupervised K-Means clustering algorithm. The objective is to explore the intrinsic spectral relationships among minerals and an artificial intelligence's ability to group them in a coherent and meaningful way. The research demonstrated that compressing spectral data with the autoencoder creates a compact representation in the latent space, which facilitates more efficient and interpretable clustering. Subsequent analyses with an increasing number of clusters (up to 44) revealed an optimal balance at 25 clusters, where the model successfully separated distinct minerals and identified natural groupings of related minerals, such as zeolites. The results confirm the effectiveness of this method for spectral classification, offering a powerful tool for geological and mineralogical analysis.