interpret-ir-spectrum
정보
이 Claude Skill은 샘플 내 작용기를 체계적으로 식별하기 위해 적외선 스펙트럼을 분석합니다. 진단 영역과 지문 영역에 걸친 스펙트럼 데이터를 처리하며, 수소 결합 효과를 평가하고 신뢰도 수준이 표시된 작용기 목록을 작성합니다. 화합물 스크리닝, 반응 모니터링 또는 다른 분광 데이터와의 보완적 분석에 활용하세요.
빠른 설치
Claude Code
추천npx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-ir-spectrumClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
解紅外譜
析紅外吸收→識官能團、評氫鍵、輯樣中結構之總清單。
用
- 未知物初篩:識官能團
- 證特定官能團存否(如醇→酮之驗)
- 監反應進度(觀特徵吸收增減)
- 辨類似化合物(官能團異)
- 與 NMR、質譜互補
入
- 必:紅外譜數據(cm-1 頻及強,%T 或 A)
- 必:樣備法(KBr 片、ATR、Nujol、薄膜、溶液池)
- 可:分子式或預期類
- 可:他譜之已知片
- 可:儀參(解析度、掃範、檢測器)
行
一:立譜質與式
析峰前驗譜堪解:
- 察 y 軸式:%T(下)或 A(上)?後析須一致
- 驗波數範:標中紅外當涵 4000-400 cm-1。記截
- 評基線:無吸收區當近 100%T(或 0A)且平。斜或噪減可靠
- 察解析度:近峰隔小於儀解析度不可辨。典 FTIR 為 4 cm-1
- 識備樣偽影:KBr 片或示濕寬 O-H(~3400)。Nujol 遮 C-H 伸。ATR 低波數強扭曲。記限
得:譜確可解,式、範、偽影已記。
敗:基線嚴重問題、飽和(濃樣致平底峰)、備樣偽影遮要區→記限並標不可靠區。
二:掃診區(4000-1500 cm-1)
系統析高頻區(多官能團特徵處):
- O-H 伸(3200-3600):察寬吸收。~3600 尖→自由 O-H;3200-3400 寬→氫鍵 O-H(醇、羧酸、水)
- N-H 伸(3300-3500):一級胺二峰(對/反稱);二級胺一峰。多較 O-H 尖
- C-H 伸(2800-3300):
| 頻(cm-1) | 歸 |
|---|---|
| 3300 | sp C-H(炔,尖) |
| 3000-3100 | sp2 C-H(芳、烯) |
| 2850-3000 | sp3 C-H(烷,多峰) |
| 2700-2850 | 醛 C-H(費米共振二峰) |
- 三鍵區(2000-2300):
| 頻(cm-1) | 歸 | 備 |
|---|---|---|
| 2100-2260 | C≡C | 稱→弱或缺 |
| 2200-2260 | C≡N | 中至強 |
| ~2350 | CO2 | 大氣偽影,忽 |
- 羰基區(1650-1800) —— 紅外最具診斷之單區:
| 頻(cm-1) | 歸 |
|---|---|
| 1800-1830, 1740-1770 | 酸酐(二 C=O 伸) |
| 1770-1780 | 酰氯 |
| 1735-1750 | 酯 |
| 1700-1725 | 羧酸 |
| 1705-1720 | 醛 |
| 1705-1720 | 酮 |
| 1680-1700 | 共軛酮/α-β 不飽和 |
| 1630-1690 | 酰胺(酰胺 I 帶) |
- C=C 與 C=N 伸(1600-1680):烯 C=C 於 1620-1680(弱至中)。芳 C=C 於 1450-1600 多峰。C=N(亞胺)於 1620-1660
得:診區諸吸收已識,附官能團歸與信心(強、試定、缺)。
敗:羰基區遮(如 KBr 水吸、大氣 CO2)→記隙。預期官能團缺→以第二備法證再結論。
三:析指紋區(1500-400 cm-1)
審低頻區以證與結構細:
- C-O 伸(1000-1300):醚、酯、醇、羧酸皆強 C-O 伸。酯除羰基另於 1000-1100 有特徵強帶
- C-N 伸(1000-1250):胺與酰胺;與 C-O 疊→無他證僅試定
- C-F、C-Cl、C-Br 伸:
| 頻(cm-1) | 歸 |
|---|---|
| 1000-1400 | C-F(強) |
| 600-800 | C-Cl |
| 500-680 | C-Br |
- 芳取代式(700-900):面外 C-H 彎示取代:
| 頻(cm-1) | 式 |
|---|---|
| 730-770 | 單取代(+ 690-710) |
| 735-770 | 鄰二取代 |
| 750-810, 860-900 | 間二取代 |
| 790-840 | 對二取代 |
- 總指紋比:指紋區對各化合物獨。若有參譜→疊而比此區以證身
得:步二官能團之證歸及附加結構細(取代式、C-O/C-N 歸)。
敗:指紋區本複而疊。歸模糊→試定之並賴診區與他譜為終結論。
四:評氫鍵與分子間效應
評樣態與分子間交互對譜之影響:
- 氫鍵展寬:比 O-H、N-H 帶寬與位。自由 O-H 尖近 3600;氫鍵 O-H 寬移至 3200-3400。羧酸二聚顯極寬 O-H(2500-3300)
- 濃與態效:異濃溶液譜可辨分子內(濃無關)與分子間(濃依賴)氫鍵
- 費米共振:二疊帶可交互裂為雙峰。典例為醛 C-H 對近 2720、2820。識之以免誤分離峰為他官能團
- 固態效:KBr 片與 Nujol 反固態堆積→帶寬,頻相對溶液譜移 10-20 cm-1。ATR 最接純液態
得:氫鍵狀態定,備法偽影已計,異常帶形已釋。
敗:氫鍵效不能解(如 O-H、N-H 疊)→記模糊。D2O 交換或變溫實驗可助,但需額外數據。
五:輯官能團清單
諸發現輯為結構報告:
- 已證官能團:診區強、無歧吸收(如 1715 尖 C=O = 酮或醛)
- 試定歸:證弱或疊吸收(可由多於一官能團釋)
- 缺官能團:特徵強吸收明顯無(如無寬 O-H →無自由醇或羧酸)
- 記差異:不合預設官能團集之吸收,或預期缺之吸收
- 交叉參:IR 清單 vs 他技(NMR、MS、UV-Vis)信息
得:完整清單按信心分,各歸引具體頻與強為證。
敗:清單不全或矛盾→識哪額外實驗(ATR vs KBr、變濃、D2O 交換)可解模糊。
驗
- 譜質評(基線、解析度、偽影、y 軸式)
- 溶劑、備法、大氣偽影識並排
- 診區(4000-1500)諸吸收歸或標
- 羰基區析,可能處具體子類歸
- 指紋區審以得證證據
- 氫鍵效評並記其對峰形/位之影響
- 官能團清單輯附信心
- 缺官能團明記(負證亦有信息)
- 歸交叉參他譜數據
忌
- 忽備樣偽影:KBr 濕(寬 3400)、Nujol C-H(2850-2950)、ATR 低波數強扭曲——皆模擬或遮真樣吸收。必考備法
- 過解指紋區:1500 以下區複而疊。用為證,非主識。勿逐峰歸
- 混大氣 CO2 為樣峰:~2350 尖雙幾乎皆大氣 CO2 非樣吸收。背景減當除,然須驗
- 忽帶強與寬:同頻之強寬吸收 vs 弱尖峰診斷價異。附頻報強(強/中/弱)與形(尖/寬)
- 單峰歸:勿以單吸收識官能團。羰基當有他帶支持(酯 C-O、酰胺 N-H、醛 C-H)
- 由弱吸收假設缺:某官能團本弱(稱 C=C、稱炔之三鍵)。缺峰非必缺團
參
interpret-nmr-spectrum—— 定詳連接與氫環境interpret-mass-spectrum—— 立分子式與裂片式interpret-uv-vis-spectrum—— 徵發色團補 IR 官能團數據interpret-raman-spectrum—— 得 IR 無效模之補振數據plan-spectroscopic-analysis—— 數據採前擇譜技序
GitHub 저장소
연관 스킬
llamaguard
기타LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.
cost-optimization
기타이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.
quantizing-models-bitsandbytes
기타이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.
dispatching-parallel-agents
기타이 Claude Skill은 3개 이상의 독립적인 문제를 동시에 조사하고 해결하기 위해 다중 에이전트를 배치합니다. 공유 상태나 의존성 없이 해결 가능한 무관련 장애 시나리오에 맞게 설계되었습니다. 핵심 기능은 병렬 문제 해결로, 각 독립 문제 영역마다 하나의 에이전트를 할당하여 효율성을 극대화합니다.
