Reti Neurali e Apprendimento Automatico per dati NMR

Nell'elaborato, si intraprende un'indagine preliminare sull'impiego di tecniche di apprendimento automatico per modellare la rilassometria Fast Field Cycling Nuclear Magnetic Resonance (FFC-NMR), concentrandosi in particolare sull'apprendimento dei parametri che caratterizzano il Quadrupolar Relaxation Enhancement (QRE). Questo rappresenta un problema inverso non lineare, notoriamente difficile da trattare con tecniche tradizionali, richiedendo metodi avanzati di ottimizzazione e regolarizzazione. Perciò, si è ricorso all'uso di percettroni multistrato (dall'inglese multilayer perceptrons o MLP) ovvero dei modelli di rete neurale artificiale che mappano degli insiemi di dati in input in degli insiemi di dati opportuni in output. Nello specifico, singolarmente ad ogni campione analizzato, l'obiettivo è quello di creare una rete ad hoc che, una volta addestrata, sia capace di associare ad ogni curva di dispersione in ingresso una previsione affidabile dei parametri quadrupolari. Le caratteristiche migliori dell'MLP sono state dedotte al seguito di numerosi esperimenti in Python, e, in virtù del mal condizionamento del problema, è stato posto il focus sulla loss function migliore da utilizzare durante la fase di addestramento. Nello specifico, è stata ideata un'opportuna combinazione convessa tra la media degli errori assoluti commessi sulla previsione dei parametri e sulla ricostruzione del grafico del profilo NMRD. Facendo ciò, la rete impara a prevedere i parametri tenendo contemporaneamente anche conto della forma della curva di dispersione corrispondente.