interpret-raman-spectrum
정보
이 기술은 라만 스펙트럼을 해석하여 분자 진동을 식별하고 편광 선택 규칙을 적용하며 탈편광 비율을 분석하여 대칭성을 할당합니다. 이는 적외선 분광법이 어려운 시료 분석과 대칭 진동 또는 탄소 재료 연구에 특히 유용합니다. 주요 기능으로는 형광 간섭 완화, 상호 보완적인 적외선 데이터 비교, 참조 스펙트럼 매칭 등이 포함됩니다.
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-raman-spectrumClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
解拉曼譜
析拉曼散射→識振動、用極化率選擇律、比補 IR 數據、評退偏比以賦對稱、識拉曼活模、減熒光干擾、參譜匹。
用
- IR 難之樣(水溶、封容、遙感)
- 識對稱振動(IR 弱或無)
- 以互斥律補 IR(中心對稱分子)
- 徵碳材(石墨烯、碳納米管、金剛石)之特徵拉曼帶
- 析無機、礦、晶相(拉曼常較 IR 信息豐)
- 非損、原位析(多拉曼測無需備樣)
入
- 必:拉曼譜(拉曼位移 cm-1 vs 強)
- 必:激發激光波長(如 532、633、785、1064 nm)
- 可:同樣之 IR 譜以補析
- 可:偏振數據(退偏比之平行/垂直譜)
- 可:已知分子式或類
- 可:樣物理態(固、液、溶液、氣、薄膜)
行
一:評譜質與識偽影
析峰前評拉曼譜可靠:
- 激光波長與熒光:熒光為拉曼最常之干擾。生寬強背景可遮拉曼峰。短波激光(532 nm)激發更多熒光;長波(785 nm、1064 nm)減之而拉曼信號弱(強隨 λ^-4)
- 信噪比:評拉曼峰明辨於噪。弱拉曼散射者或須長採或高激光功率
- 宇宙線尖刺:隨位之尖窄刺為宇宙線偽影非拉曼峰。時均集中僅現一譜可以刺濾除
- 基線校正:斜或曲基線(熒光或熱發射)當減之後量峰位與強
- 光降解:高激光功率可損或轉樣。察同點連續採譜之變。若降解→減功率
- 譜範:標拉曼譜涵 100-4000 cm-1。低頻截決於阻瑞利線之邊或陷濾。記截
得:譜質評,熒光水平記,偽影(宇宙線、基線漂)識或校正,可用譜範確。
敗:若熒光壓拉曼信號(寬背景 >> 拉曼峰)→建以長波激光(785 或 1064 nm)重測或表面增強拉曼(SERS)。樣降解→減激光功率或用旋轉樣台。
二:識拉曼活模並用選擇律
定哪振動為拉曼活及其如何補 IR 數據:
- 拉曼選擇律:涉分子極化率變之振動為拉曼活。對稱伸(常變分子體積)典拉曼強
- IR 選擇律(比):涉偶極矩變之振動為 IR 活。不對稱伸典 IR 強
- 互斥律:有反演中心(中心對稱)之分子→無振動可同為拉曼與 IR 活。若帶於二譜皆現→分子無對稱中心
- 一般互補:即非中心對稱分子,拉曼強之振典 IR 弱,反之。合 Raman + IR 較單一更豐
- 識拉曼偏好模:對稱伸(C-C、C=C、S-S、N=N)、環呼吸、同核鍵伸(無偶極變,IR 無效)典拉曼強
得:選擇律用,拉曼活 vs IR 活模辨,中心對稱分子之互斥律測。
敗:若分子對稱未知→用合 Raman 與 IR 數據推。若帶於二譜皆現且強相當→分子非中心對稱。
三:析拉曼位移位
以特徵頻賦觀察拉曼帶至具體振模:
- C-H 伸區(2800-3100 cm-1):似 IR,強異。芳與烯 C-H(3000-3100)常較脂 C-H 拉曼強
- 三鍵(2100-2260 cm-1):C≡C 對稱伸拉曼強且 IR 常弱或缺。C≡N 二者皆活
- 雙鍵伸:
| 位移(cm-1) | 歸 | 拉曼強 |
|---|---|---|
| 1600-1680 | C=C 伸 | 強 |
| 1650-1800 | C=O 伸 | 中(較 IR 弱) |
| 1500-1600 | 芳 C=C | 中至強 |
- 芳環模:
| 位移(cm-1) | 歸 | 備 |
|---|---|---|
| 990-1010 | 環呼吸(單取代) | 極強,診 |
| 1000 | 環呼吸(對稱三取代) | 強 |
| 1580-1600 | 環伸 | 中 |
| 3050-3070 | 芳 C-H 伸 | 中 |
- 他特徵拉曼帶:
| 位移(cm-1) | 歸 |
|---|---|
| 430-550 | S-S 伸(二硫) |
| 570-705 | C-S 伸 |
| 800-1100 | C-C 骨架伸 |
| 630-770 | C-Cl 伸 |
| 500-680 | C-Br 伸 |
| 200-400 | 金屬-配體伸 |
- 碳材:G 帶(~1580,石墨 sp2)與 D 帶(~1350,缺陷/無序)為碳同素異形體診。2D 帶(~2700)徵石墨烯層數。金剛石示 1332 之尖峰
得:諸要拉曼帶賦至振模,參特徵頻範。
敗:若上表不能賦→查譜庫(礦用 RRUFF、有機用 SDBS)。未賦帶或屬組合模、泛頻、或晶樣之晶格振
四:比拉曼與 IR 數據
合二互補振技:
- 列對應帶:造比表,各振模附拉曼位移、IR 頻、各技相對強
- 識僅一技之模:拉曼現而 IR 缺(或反)之模提供對稱信息。非極鍵(S-S、對稱環境 C=C)之對稱伸僅拉曼現
- 解模糊:IR 賦試定處(如指紋區疊 C-O、C-N 伸)→察拉曼是否因相對強異提供更明圖
- 官能團證:以拉曼對應證 IR 識之官能團。例酯當示 IR C=O(~1735)與拉曼 C-O-C。羧酸當示 IR 寬 O-H 與二技 C=O
- 評總一致:拉曼與 IR 當互洽。矛盾(如對稱伸帶於二譜皆強而設中心對稱)示賦或對稱假設誤
得:合 Raman + IR 之統一振析表,官能團賦由互補信息證或精。
敗:IR 無時→拉曼獨仍提供信息而確信低。記哪賦利於 IR 證。
五:評偏振數據並記結果
以退偏比賦對稱並輯終析:
- 退偏比 ρ:ρ = I⊥ / I∥,由偏振拉曼實驗量
- ρ = 0 至 0.75:偏振帶(ρ < 0.75)。全對稱振(A 型)為偏振
- ρ = 0.75:退偏帶。非全對稱振 ρ = 0.75
- 對稱賦:偏振帶須屬分子點群之全對稱不可約表示。此助辨於近頻之異對稱模
- 輯結:造全表含諸觀察拉曼帶:
- 拉曼位移(cm-1)
- 相對強(強/中/弱)
- 退偏比(若量)
- 賦(振模)
- 對應 IR 帶(若觀)
- 比參譜:化合物已知→比觀察拉曼 vs 已發表參譜(RRUFF、SDBS、NIST 等庫)。峰位差 +/- 3 cm-1 內且相對強匹→證身
- 報不確:標仍試定之賦,記額外實驗(溫變拉曼、共振拉曼、SERS)可解模糊
得:完整拉曼析附諸帶賦,偏振數據解對稱,結合 IR 與他譜數據。
敗:偏振數據無時→對稱賦僅賴頻與強。記限並建關鍵時偏振測。
驗
- 譜質評(熒光、宇宙線、基線、光降解)
- 拉曼選擇律用並識拉曼活模
- 中心對稱分子以互斥律測
- 諸要拉曼帶賦振模
- 有 IR 時比並合拉曼數據
- 有偏振時退偏比解對稱
- 賦與已知或由他技設之結構合
- 可能時比參譜
忌
- 熒光壓拉曼信號:最常之問題。換長波激光或用時間門控檢測。勿將寬熒光包解為拉曼帶
- 混宇宙線刺為真峰:宇宙線生隨位尖強刺。單採見而均譜無。必查重現
- 忽極化率選擇律:IR 強之模(極鍵不對稱伸)拉曼或弱或缺,反之。勿期與 IR 同強式
- 忽樣降解:高激光功率可炭化、聚合、或相變樣。同點連續測之譜變示降解
- 假設諸拉曼帶為基:泛頻(2x 基頻)與組合帶可現於拉曼譜。典較基弱但若不考可致混
- 忽低頻模:晶格振、扭轉模、金屬-配體伸現於 400 cm-1 以下。多標拉曼裝置無及此區。此模相關時驗儀陷/邊濾許低頻測
參
interpret-ir-spectrum—— 極活模之互補振技interpret-nmr-spectrum—— 定分子連接以全結構賦interpret-mass-spectrum—— 立分子式與裂片interpret-uv-vis-spectrum—— 徵電子躍遷與發色團plan-spectroscopic-analysis—— 數據採前擇分析技序
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.
