Analisi Spettrale dell'Acqua in Minerali Idro-Solfati, Idro-Fosfati e Simili, grazie all'Autoencoder AI (Spectral Analysis of Water in Hydrated Sulfates, Phosphates, and Similar Minerals, using an AI Autoencoder)

Il presente studio esplora l'applicazione di un autoencoder convoluzionale per l'analisi e la categorizzazione di spettri Raman di minerali idrati. Utilizzando il database RRUFF, ci siamo focalizzati sulla regione spettrale da 2500 a 4000 cm−1, nota per ospitare le bande di stretching dell'acqua di cristallizzazione e dei gruppi ossidrilici (OH−). L'obiettivo principale è stato testare la capacità del modello di intelligenza artificiale di identificare le sottili differenze spettrali legate alla firma dell'acqua. Attraverso un'analisi di clustering K-means, i vettori di caratteristiche estratti dall'autoencoder hanno permesso di raggruppare i minerali in 8 cluster. I risultati mostrano una notevole coerenza nel raggruppamento dei minerali in base alla loro famiglia chimica e alla loro composizione. In particolare, è stata riscontrata una correlazione tra i cluster e la combinazione di anioni, cationi e il numero di molecole d'acqua di cristallizzazione. Questo suggerisce che il modello non si limita a riconoscere la presenza dell'acqua, ma è sensibile al suo specifico ambiente chimico-fisico. Inoltre, gli pseudo-spettri dei centroidi di ciascun cluster hanno permesso di visualizzare e confermare queste differenze, fornendo una prova tangibile che l'autoencoder può essere un potente strumento per l'analisi spettrale di minerali idrati. Questo approccio rappresenta una promettente strategia per il futuro dell'analisi spettrale, offrendo un metodo innovativo per interpretare e classificare i dati spettrali complessi. This study explores the application of a convolutional autoencoder for the analysis and categorization of Raman spectra from hydrated minerals. Using the RRUFF database, we focused on the spectral region from 2500 to 4000 cm−1, known to host the stretching bands of crystallization water and hydroxyl (OH−) groups. The main objective was to test the ability of the AI model to identify subtle spectral differences related to the water's unique signature. Through K-means clustering analysis, the feature vectors extracted by the autoencoder allowed us to group the minerals into 8 clusters. The results show a remarkable consistency in grouping minerals based on their chemical family and composition. Specifically, a correlation was found between the clusters and the combination of anions, cations, and the number of crystallization water molecules. This suggests that the model is not limited to recognizing the presence of water but is sensitive to its specific chemical-physical environment. Moreover, the pseudo-spectra of each cluster's centroid allowed us to visualize and confirm these differences, providing tangible proof that the autoencoder can be a powerful tool for the spectral analysis of hydrated minerals. This approach represents a promising strategy for the future of spectral analysis, offering an innovative method for interpreting and classifying complex spectral data.