Disentanglement dello Spettro Raman del Gesso tramite beta-VAE

L’applicazione degli autoencoder all’analisi spettroscopica Raman ha tradizionalmente privilegiato il loro ruolo di "estrattori di caratteristiche" per la riduzione della dimensionalità. Questo lavoro introduce un cambio di paradigma, trasformando l'autoencoder in uno "spettrometro virtuale" analitico attraverso l’implementazione di un’architettura beta-VAE (Variational Autoencoder). Il cuore della ricerca risiede nel disentanglement dello spazio latente: l'applicazione di una penalità sulla Divergenza di Kullback-Leibler ha permesso di sbrogliare le informazioni chimico-fisiche, forzando i singoli neuroni a specializzarsi su parametri indipendenti. Utilizzando lo spettro del gesso come caso studio, il modello è stato addestrato su un dataset sintetico controllato, progettato per simulare variazioni di idratazione, cristallinità e rumore strumentale. I risultati dimostrano l'identificazione di specifici "neuroni di controllo" che nel modello proposto in Colab Google sono: • Il Neurone #3 che agisce come un rubinetto chimico, regolando esclusivamente l’intensità delle bande dell’acqua di cristallizzazione (3400-3500 cm^{-1}) e permettendo la generazione di uno spettro di anidrite virtuale. • Il Neurone #5 che opera come regista strutturale, controllando la larghezza dei picchi (FWHM) per simulare la transizione tra stato cristallino e stato amorfo. L'efficienza del modello è confermata dalla capacità del beta-VAE di "spegnere" i neuroni ridondanti, concentrando l'informazione in cursori latenti semanticamente significativi. Questa metodologia non solo consente un restauro digitale di spettri degradati, ma apre la strada a un'analisi quantitativa predittiva, capace di isolare l'essenza del minerale dalle contingenze sperimentali e dal rumore.