Analisi di Fedeltà Spettrale nell'Albite: Un Approccio di Controllo Qualità con Normalizing Flows e Statistica di Tsallis

Il problema della variabilità e del rumore non-gaussiano negli spettri Raman dei minerali (specificamente l'Albite, dati RRUFF) è tradizionalmente affrontato tramite tecniche di denoising diretto. Il presente lavoro propone un approccio alternativo di Controllo Qualità basato su un modello generativo, invertendo la logica: invece di pulire lo spettro, si valuta quanto uno spettro rumoroso sia fedele a un "Pseudo-Spettro" ideale. A tal fine, è stato implementato un modello Flow-Based (Normalizing Flow), scelto per la sua capacità di apprendere e calcolare la densità di probabilità esplicita p(x) di un dataset. Per modellare efficacemente il rumore fisico e le fluttuazioni estreme del segnale Raman, la distribuzione latente del Flow è stata sostituita con una Q-Gaussiana (Statistica di Tsallis), utilizzando il parametro Q=1.5. Il modello Q=1.5 ha generato uno Pseudo-Spettro ideale, che rappresenta la media statistica pulita del minerale. La differenza chiave rispetto al modello Gaussiano (Q=1.0) è stata dimostrata nella metrica log(p(x)): il modello Q=1.5 risulta più tollerante ai campioni rumorosi, attribuendo un punteggio di fedeltà significativamente più alto agli spettri autentici ma rumorosi (es. ≈ 28.0 vs ≈ 20.0 per Q=1.0). Il report finale associa a ciascun spettro del dataset (tramite l'ID RRUFF) le metriche Mean Squared Error (MSE) e Correlazione rispetto allo Pseudo-Spettro ideale, permettendo di identificare e filtrare gli spettri con Bassa Qualità (MSE sopra la media). Si conclude che l'approccio Flow-Based/Q-Gaussiano è una strategia robusta per la validazione e il controllo qualità del dato grezzo in spettroscopia.