Undercomplete Autoencoder per Analisi e Clustering di Spettri Raman

L’analisi spettroscopica Raman di matrici carboniose complesse, come il biochar, è spesso limitata da un basso rapporto segnale/rumore e da intense interferenze di fluorescenza. In questo lavoro, presentiamo un approccio basato su un Undercomplete Autoencoder (AE) per l’estrazione non supervisionata di "pseudo-spettri". A differenza delle tecniche di filtraggio tradizionali, il modello utilizza un collo di bottiglia (bottleneck) a 32 dimensioni per operare una filtrazione intelligente, eliminando il rumore stocastico e ricostruendo la morfologia archetipica del segnale. Dimostriamo come lo pseudo-spettro \hat{x}, generato dalla decodifica dello spazio latente z, agisca come centroide visibile di cluster di materiali simili. L'errore di ricostruzione (MSE) viene inoltre proposto come sensore di anomalia per l'identificazione di contaminanti o variazioni strutturali non presenti nel dataset di addestramento.