Amelia Carolina Sparavigna is a physicist, working mainly in the field of condensed matter physics and image processing. She is Master of Science in Physics (Università di Torino) and Doctor of Philosophy in Physics (Politecnico di Torino). Her scientific researches cover the fields of thermal transport and Boltzmann equation, entropy, liquid crystals and related image processing of polarized light microscopy. She has proposed new methods of image processing inspired by physical quantities, such as coherence lengths. Her recent works mainly concern the problem of image segmentation and applications of generalized entropies. She is also interested in the history of physics and science. The papers that she has published in international journals are mainly on the topics of phonon thermal transport, elastic theory of nematic liquid crystals, texture transitions and entropy.
Usare l'Intelligenza Artificiale consapevolmente: gli Autoencoder nella Spettroscopia Raman
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.