Amelia Carolina Sparavigna

Il presente studio propone una nuova ermeneutica della gestione viaria invernale, elevando il biochar al ruolo di mediatore consapevole tra l'infrastruttura urbana e l'equilibrio ecosistemico. Superando il dualismo tra sicurezza tecnica e salvaguardia biologica, il lavoro esplora come la memoria cellulare del legno, trasmutata dalla pirolisi in una matrice di carbonio puro, diventi un "setaccio di energia". Attraverso la sua oscurità radiativa (bassa albedo) e la sua spazialità porosa, il biochar non si limita a contrastare meccanicamente l'ostilità del ghiaccio, ma stabilisce un dialogo termico con la luce solare, rivelandosi come un'architettura di resistenza e cura. Viene così dimostrato che la riduzione degli spazi di frenata e la protezione delle radici urbane non sono meri dati ingegneristici, ma la manifestazione di una sinergia profonda: un ritorno del carbonio alla terra che, mentre garantisce la sicurezza, custodisce la vitalità del suolo. In quest'ottica, la manutenzione stradale cessa di essere un agente contro gli elementi per farsi atto di resilienza, trasformando il carbonio da minaccia climatica in custode della sicurezza e custode del futuro.

Il presente testo si propone di dimostrare la natura intrinsecamente intelligente dell'Autoencoder, analizzandone l'architettura non come un semplice strumento di calcolo, ma come un modello di sintesi cognitiva. Attraverso una scomposizione dettagliata delle sue fasi — dalla distillazione operata dall'Encoder alla rigenerazione dell'archetipo nel Decoder — viene illustrato come questa IA sia in grado di apprendere autonomamente le leggi fisiche sottostanti ai dati. Ci si riferirà, per esemplificarne l'uso, alla spettroscopia. Il punto centrale della dimostrazione risiede nella capacità del modello di mappare la realtà complessa in uno Spazio Latente (bottleneck), dove il rumore viene eliminato per via strutturale e non statistica. Viene introdotto e definito il concetto di Pseudo-Spettro come proiezione del centroide di tale spazio, provando che l'Autoencoder non si limita a "pulire" l'input, ma ne ricostruisce la verità fisica. L'analisi comparativa tra diverse architetture (Dense, Conv1D, Transformer) serve a documentare come la consapevolezza nella scelta del modello permetta di estrarre informazioni cruciali, trasformando l'IA in un validatore scientifico trasparente e interpretabile.

L’integrazione dell’Intelligenza Artificiale nella ricerca scientifica richiede un passaggio fondamentale dalla "black box" alla consapevolezza architettonica. Il presente lavoro esplora l'utilizzo degli autoencoder — una forma specifica di IA generativa — non come semplici strumenti di denoising, ma come modelli interpretativi nella spettroscopia, che nel caso ora proposto è la spettroscopia Raman. Attraverso la compressione dei dati in uno spazio latente, ottimizzato mediante funzioni di attivazione come la sigmoide, l'autoencoder permette di trascendere il dato grezzo per generare uno pseudospettro. Questa strategia, basata sull'apprendimento di cluster di materiali puri (derivanti da database come RRUFF), consente di creare modelli di riferimento ideali. Lo pseudospettro diventa così un ponte metodologico per validare segnali o reinterpretare dati storici. Non solo, lo pseudospettro aiuta a comprendere come l'Autoencoder ragioni. In tal modo esso non è più una scatola nera ma uno strumento cognitivo. L’approccio proposto dimostra quindi come un uso consapevole delle architetture neurali possa trasformare l'IA in un raffinato setaccio molecolare, capace di rivelare la firma vibrazionale autentica di minerali e composti organici, anche in presenza di un elevato rapporto segnale-rumore.