Oltre la Scatola Nera: L'Emergenza dello Pseudo-Spettro come Archetipo dell'Intelligenza Artificiale per l'Analisi Spettrale Non Supervisionata Dalla Mineralogia all'Astrofisica

Il presente lavoro formalizza il concetto di "Pseudo-Spettro", una metodologia innovativa emersa nel corso di una serie di studi condotti nel 2025 sull'applicazione di architetture di Deep Learning (Autoencoder Convoluzionali, Densi e Transformer) alla spettroscopia. Tradizionalmente, gli autoencoder vengono utilizzati per la riduzione della dimensionalità o il denoising; qui, proponiamo un cambio di paradigma: l'uso dello spazio latente per generare firme spettrali archetipiche. Lo pseudo-spettro viene definito come la ricostruzione operata dal decoder a partire dal centroide lineare di un cluster nello spazio latente. Attraverso l'analisi di dataset eterogenei — che spaziano dalla mineralogia (Granati, Feldspati) alla scienza dei materiali (Biochar) fino all'astrofisica (Libreria MILES) — dimostriamo che lo pseudo-spettro non è una semplice media statistica, ma l'interpretazione ideale e priva di rumore che il modello ha appreso di una specifica classe di dati. I risultati evidenziano come questa tecnica permetta di "aprire la scatola nera" dell'intelligenza artificiale, fornendo ai ricercatori uno strumento tangibile per visualizzare la logica decisionale del modello e trasformando l'AI da un mero classificatore a una lente interpretativa per la scoperta scientifica.