Rivelare l'Acqua di Cristallizzazione negli Spettri Raman con Modello Flow-based

Il rilevamento e la validazione delle fasi idrate in minerali complessi, come l'acqua di cristallizzazione nel gesso, sono cruciali per l'analisi geologica e planetaria. In spettroscopia Raman, i picchi dell'acqua (circa 3400 cm−1) sono spesso oscurati da rumore e fluorescenza, rendendo inefficace la correzione algoritmica della baseline tradizionale. Per superare questa limitazione, questo lavoro propone un framework basato su modelli di Intelligenza Artificiale Generativa, in particolare l'analogia con i Modelli Flow-based, per stabilire un Pseudo-Spettro Ideale. Tale Pseudo-Spettro funge da Attrattore a Punto Fisso nello spazio latente dei dati e rappresenta la forma spettrale chimicamente più plausibile. Dopo una stabilizzazione critica della pre-elaborazione (Baseline Correction deg=7), l'AI genera un riferimento ideale che allinea perfettamente le firme del Solfato (circa 1000 cm−1) e dell'acqua. La fedeltà di uno spettro rumoroso a questo Pseudo-Spettro viene quindi misurata attraverso la Log-Probabilità (log(p(x))), sostituendo la distanza geometrica con un criterio di plausibilità AI.