interpret-ir-spectrum
정보
이 스킬은 시료 내 작용기를 식별하기 위해 적외선(IR) 스펙트럼을 프로그램적으로 해석합니다. 주요 스펙트럼 영역(4000-1500 cm⁻¹ 및 1500-400 cm⁻¹)을 분석하고, 수소 결합을 고려하며, 신뢰도 수준을 포함한 목록을 작성합니다. 화합물 스크리닝, 반응 모니터링 또는 특정 작용기의 존재/부재 확인에 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 IR 光譜
析紅外吸收光譜以辨官能團,評氫鍵,匯樣品結構特徵之全錄。
用時
- 辨未知化合之官能團,為初篩之步
- 證某官能團之有無(如驗某反應由醇轉為酮)
- 監反應進程,隨特徵吸收之現與滅
- 別官能團內容異之相似化合
- 以振動資訊補 NMR 與質譜之數據
入
- 必要:IR 光譜數據(cm-1 吸收頻率與強度,%透射率或吸光度圖)
- 必要:樣品製備法(KBr 壓片、ATR、Nujol 糊、薄膜、溶液池)
- 可選:分子式或預期化合類
- 可選:自他光譜得之既知結構片段
- 可選:儀器參數(解析度、掃描範圍、檢測器類型)
法
第一步:立光譜品質與格式
析峰之前,驗光譜適於解讀:
- 察 y 軸格式:判光譜以 %透射率 (%T,峰向下) 或吸光度 (A,峰向上) 繪之。後析皆依一致之約
- 驗波數範圍:確標準中紅外析至少涵 4000--400 cm-1。記任何截斷
- 評基線:佳基線當相對平、近 100%T(或 0 吸光度)於無吸收之區。傾或雜之基線減可信
- 察解析度:相鄰峰隔小於儀器解析度則不可別。典型 FTIR 解析度為 4 cm-1
- 辨製備偽影:KBr 壓片或現水分所致寬 O-H 帶(~3400 cm-1)。Nujol 糊蔽 C-H 伸縮。ATR 於低波數顯強度失真。記限解讀之偽影
**得:**光譜確適於析,格式、範圍、偽影皆有記。
**敗則:**若光譜基線嚴重問題、飽和(樣品過濃致平底峰)、或製備偽影蔽關鍵區,記此限並標影響之譜區為不可靠。
第二步:掃診斷區 (4000--1500 cm-1)
系統化析高頻區,大多官能團於此生特徵吸收:
- O-H 伸縮 (3200--3600 cm-1):尋寬吸收。近 3600 cm-1 之銳峰示游離 O-H;3200--3400 cm-1 居中之寬帶示氫鍵 O-H(醇、羧酸、水)
- N-H 伸縮 (3300--3500 cm-1):一級胺顯二峰(對稱與不對稱伸縮);二級胺顯一峰。常銳於 O-H 帶
- C-H 伸縮 (2800--3300 cm-1):
| 頻率 (cm-1) | 歸屬 |
|---|---|
| 3300 | sp C-H(炔,銳) |
| 3000--3100 | sp2 C-H(芳香、乙烯) |
| 2850--3000 | sp3 C-H(烷,多峰) |
| 2700--2850 | 醛 C-H(費米共振二峰) |
- 三鍵區 (2000--2300 cm-1):
| 頻率 (cm-1) | 歸屬 | 備 |
|---|---|---|
| 2100--2260 | C 三鍵 C | 對稱則弱或無 |
| 2200--2260 | C 三鍵 N | 中至強 |
| ~2350 | CO2 | 大氣偽影,略之 |
- 羰基區 (1650--1800 cm-1) — IR 中最具診斷之單區:
| 頻率 (cm-1) | 歸屬 |
|---|---|
| 1800--1830、1740--1770 | 酸酐(二 C=O 伸縮) |
| 1770--1780 | 醯氯 |
| 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 | 醯胺(醯胺 I 帶) |
- C=C 與 C=N 伸縮 (1600--1680 cm-1):烯烴 C=C 現於 1620--1680 cm-1(弱至中)。芳香 C=C 顯近 1450--1600 cm-1 之多峰。C=N(亞胺)現於 1620--1660 cm-1
**得:**診斷區諸吸收皆有辨,附官能團歸屬與信度(強、暫、無)。
**敗則:**若羰基區被蔽(如 KBr 中之水吸收、大氣 CO2),記其闕。若預期官能團之吸收闕,宜二製備法相證乃定其真闕。
第三步:析指紋區 (1500--400 cm-1)
察低頻區以得確證與結構細節:
- C-O 伸縮 (1000--1300 cm-1):醚、酯、醇、羧酸生強 C-O 伸縮吸收。酯於 1000--1100 cm-1 附近另顯特徵強帶,與羰基並現
- C-N 伸縮 (1000--1250 cm-1):胺與醯胺;與 C-O 疊令歸屬暫定,非他證不可定
- C-F、C-Cl、C-Br 伸縮:
| 頻率 (cm-1) | 歸屬 |
|---|---|
| 1000--1400 | C-F(強) |
| 600--800 | C-Cl |
| 500--680 | C-Br |
- 芳香取代型 (700--900 cm-1):面外 C-H 彎折示取代:
| 頻率 (cm-1) | 型 |
|---|---|
| 730--770 | 單取代(加 690--710) |
| 735--770 | 鄰二取代 |
| 750--810、860--900 | 間二取代 |
| 790--840 | 對二取代 |
- 指紋區整比:指紋區乃每化合所獨。若參考光譜可得,疊此區以證同
**得:**為第二步所辨官能團之確證歸屬,加結構細節(取代型、C-O/C-N 歸屬)。
**敗則:**指紋區本複雜而疊。若歸屬曖昧,標為暫,以診斷區與他光譜數據定終結。
第四步:評氫鍵與分子間效應
評樣品態與分子間相互如何影響光譜:
- 氫鍵展寬:比 O-H 與 N-H 帶之寬與位。游離 O-H 銳而近 3600 cm-1;氫鍵 O-H 寬而移至 3200--3400 cm-1。羧酸二聚顯極寬 O-H 於 2500--3300 cm-1
- 濃度與態效應:不同濃度之溶液光譜可別分子內(與濃度無關)與分子間(與濃度有關)氫鍵
- 費米共振:二疊帶或分裂成雙峰。典為 2720 與 2820 cm-1 附近之醛 C-H 對。識費米共振以免誤指餘峰為獨立官能團
- 固態效應:KBr 壓片與 Nujol 糊反映固態堆積,展寬諸帶,較溶液光譜可移頻 10--20 cm-1。ATR 光譜最近純液態
**得:**氫鍵態有述,製備法偽影有校,異常帶形有釋。
**敗則:**若氫鍵效應不可解(如 O-H 與 N-H 帶相疊),記其曖。D2O 交換實驗或變溫研究或可助,然需添數據。
第五步:匯官能團錄
結諸察為結構化之報:
- 列已證官能團:診斷區有強而明吸收者(如 1715 cm-1 之銳 C=O = 酮或醛)
- 列暫定歸屬:證據弱或疊之吸收,可由不只一官能團釋者
- 列闕之官能團:特徵強吸收明闕之團(如無寬 O-H 帶則無游離醇或羧酸)
- 記悖處:不合所提官能團集之吸收,或所闕之預期吸收
- 交叉驗:比 IR 所得官能團錄於他法(NMR、MS、UV-Vis)之資訊
**得:**官能團錄已全,依信度分類,每歸屬附具體頻率與強度為證。
**敗則:**若錄不全或相悖,辨何添實驗(ATR 對 KBr 比、變濃度、D2O 交換)可解曖。
驗
- 光譜品質已評(基線、解析度、偽影、y 軸格式)
- 溶劑、製備法、大氣偽影已辨並除
- 診斷區 (4000--1500 cm-1) 諸吸收已歸或標
- 羰基區已析,可則附具體亞類歸屬
- 指紋區察以得確證
- 氫鍵效應已評,其對峰形/位之影響有記
- 官能團錄依信度匯之
- 闕之官能團明記(反證亦益)
- 諸歸屬與他可得光譜數據交叉驗
陷
- 忽製備偽影:KBr 之水分(寬 3400 cm-1)、Nujol C-H (2850--2950 cm-1)、ATR 於低波數強度失真皆擬或蔽真樣品之吸收。恆考製備法
- 過度解讀指紋區:1500 cm-1 下之區複雜而疊。以為確證,非為主辨。勿歸每峰
- 混大氣 CO2 於樣品峰:2350 cm-1 附近之銳雙峰幾皆為大氣 CO2,非樣品吸收。背景扣除當除之,然當驗
- 忽帶強與寬:同頻之強寬吸收與弱銳峰診斷值異。報強度(強/中/弱)與形(銳/寬)與頻並記
- 單峰之歸屬:勿以一吸收獨辨一官能團。如羰基當由他帶支持(酯之 C-O、醯胺之 N-H、醛之 C-H)
- 由弱吸收斷其闕:某官能團本生弱 IR 吸收(對稱 C=C、對稱炔之三鍵)。峰之闕不必意其團之闕
參
interpret-nmr-spectrum— 定詳連結與氫環境interpret-mass-spectrum— 立分子式與碎裂型interpret-uv-vis-spectrum— 述發色團,補 IR 官能團數據interpret-raman-spectrum— 得 IR 不活躍模式之互補振動數據plan-spectroscopic-analysis— 數據採集前擇並序光譜技術
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.
