interpret-raman-spectrum
정보
이 스킬은 라만 스펙트럼을 해석하여 분자 진동을 식별하고, 편극율 기반 선택 규칙과 비편광 비율 분석을 통해 대칭성을 할당합니다. 이는 특히 대칭 진동 연구, 적외선 분광법 적용이 어려운 샘플 분석, 비파괴 분석 수행에 유용합니다. 주요 기능으로는 형광 간섭 완화, 상보적 적외선 데이터와의 비교, 기준 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
解拉曼光譜
析拉曼散射光譜以辨分子振動、施極化率之選律、比於互補之 IR 數據、評去偏振比以歸對稱,得振動之全析。
用時
- 析 IR 難為之樣(水溶液、封容器、遙測)
- 辨 IR 中弱或不活躍之對稱振動
- 於中心對稱分子以互斥律補 IR 數據
- 以特徵拉曼帶述碳材(石墨烯、碳納管、金剛石)
- 析無機化合、礦物、結晶相,拉曼常較 IR 為詳
- 行非破壞原位析(許多拉曼量測無需樣品製備)
入
- 必要:拉曼光譜數據(cm-1 拉曼位移對強度)
- 必要:激發雷射波長(如 532 nm、633 nm、785 nm、1064 nm)
- 可選:同樣之 IR 光譜以互補析
- 可選:偏振數據(平行與垂直光譜以算去偏振比)
- 可選:既知分子式或化合類
- 可選:樣品之物理態(固、液、液體、氣、薄膜)
法
第一步:評光譜品質並辨偽影
析峰前評拉曼光譜之可靠:
- 雷射波長與螢光:螢光乃拉曼光譜最常見之擾。生寬而強之背景,或蔽拉曼峰。短波長雷射(532 nm)激更多螢光;長波長(785 nm、1064 nm)減之,然拉曼訊弱(強度隨 λ^-4 減)
- 信噪比:評拉曼峰是否可明別於噪。弱拉曼散射者或需更長採集時間或更高雷射功率
- 宇宙射線尖:於隨機位現之銳窄尖乃宇宙射線偽影,非拉曼峰。僅於時間平均集之一光譜中現,可以尖濾除之
- 基線校正:傾或曲之基線(自螢光或熱輻射)當於量峰位與強度前減之
- 光降解:高雷射功率或損或轉樣品。察同點相繼採集之譜變。見降解則減功率
- 光譜範圍:標準拉曼光譜涵 100--4000 cm-1 拉曼位移。低頻截止依阻瑞利線之邊或凹口濾。記任何截
**得:**光譜品質已評,螢光程度有記,偽影(宇宙射線、基線漂移)已辨或校,可用譜範圍已確。
**敗則:**若螢光壓光譜(寬背景 >> 拉曼峰),薦以長波長雷射(785 或 1064 nm)或表面增強拉曼(SERS)重量。樣品若降解,減雷射功率或用旋轉樣品臺。
第二步:辨拉曼活躍模並施選律
定何振動拉曼活躍及其如何補 IR 數據:
- 拉曼選律:振動若涉分子極化率之變則拉曼活躍。對稱伸縮(常改分子體積)於拉曼常強
- IR 選律(為比):振動若涉偶極矩之變則 IR 活躍。不對稱伸縮於 IR 常強
- 互斥律:具反演中心(中心對稱)之分子,無振動能拉曼與 IR 並活躍。若一帶於二譜皆現,則分子無對稱中心
- 普適互補:非中心對稱分子亦然,拉曼中強之振動 IR 中常弱,反之亦然。此互補令 Raman + IR 合集較獨任一為詳
- 辨拉曼偏重之模:對稱伸縮(C-C、C=C、S-S、N=N)、環之呼吸模、同核鍵之伸縮(無偶極變且 IR 不活躍)於拉曼常強
**得:**選律已用,拉曼活躍對 IR 活躍之模已別,若分子中心對稱則互斥已驗。
**敗則:**若分子對稱未知,以合 Raman 與 IR 之數據推之。若一帶於二譜皆現且強度近,則分子非中心對稱。
第三步:析拉曼位移位
以特徵頻率歸諸觀測拉曼帶於具體振動模:
- C-H 伸縮區 (2800--3100 cm-1):似 IR,然拉曼強度異。芳香與烯 C-H (3000--3100 cm-1) 常較脂肪 C-H 於拉曼為強
- 三鍵 (2100--2260 cm-1):C 三鍵 C 對稱伸縮於拉曼強,IR 中常弱或闕。C 三鍵 N 於二者皆活躍
- 雙鍵伸縮:
| 位移 (cm-1) | 歸屬 | 拉曼強度 |
|---|---|---|
| 1600--1680 | C=C 伸縮 | 強 |
| 1650--1800 | C=O 伸縮 | 中(弱於 IR) |
| 1500--1600 | 芳香 C=C | 中至強 |
- 芳香環模:
| 位移 (cm-1) | 歸屬 | 備 |
|---|---|---|
| 990--1010 | 環呼吸(單取代) | 極強,具診斷 |
| 1000 | 環呼吸(對稱三取代) | 強 |
| 1580--1600 | 環伸縮 | 中 |
| 3050--3070 | 芳香 C-H 伸縮 | 中 |
- 其他特徵拉曼帶:
| 位移 (cm-1) | 歸屬 |
|---|---|
| 430--550 | S-S 伸縮(二硫) |
| 570--705 | C-S 伸縮 |
| 800--1100 | C-C 骨架伸縮 |
| 630--770 | C-Cl 伸縮 |
| 500--680 | C-Br 伸縮 |
| 200--400 | 金屬—配體伸縮 |
- 碳材:G 帶(~1580 cm-1,石墨 sp2)與 D 帶(~1350 cm-1,缺陷/無序)為碳同素異形體之診斷。2D 帶(~2700 cm-1)述石墨烯層數。金剛石顯 1332 cm-1 之銳峰
**得:**諸顯拉曼帶歸於振動模,參特徵頻率範圍。
**敗則:**若帶不能以上表歸之,閱光譜庫(礦物之 RRUFF、有機之 SDBS)。未歸帶或屬結晶樣之組合模、泛音、或晶格振動。
第四步:比拉曼與 IR 數據
合二互補振動技術:
- 列相應帶:為每振動模作比表,列其拉曼位移、IR 頻率、各技術之相對強度
- 辨僅於一技術現之模:於拉曼現而 IR 闕之模(或反之)予對稱資訊。非極性鍵(對稱環境中之 S-S、C=C)之對稱伸縮僅於拉曼現
- 解曖:IR 歸屬暫定處(如指紋區疊之 C-O 與 C-N 伸縮),察拉曼因相對強度異而或予更清之像
- 官能團之證:以拉曼對應證 IR 所辨之官能團。如酯當於 IR 顯 C=O (~1735 cm-1) 而於拉曼顯 C-O-C。羧酸當於 IR 顯寬 O-H 而於二技術皆顯 C=O
- 評整一致:Raman 與 IR 數據當互一致。若矛盾(如歸為對稱伸縮之帶於所謂中心對稱分子之二譜皆強),則歸屬或對稱假設訛
**得:**合 Raman 與 IR 數據之統一振動析表,官能團歸屬以互補資訊證之或精之。
**敗則:**若 IR 數據闕,拉曼獨仍予益之資訊,而確定性減。記何歸屬宜以 IR 證。
第五步:評偏振數據並記錄結果
以去偏振比歸對稱並匯終析:
- 去偏振比 (ρ):ρ = I_垂直 / I_平行,自偏振拉曼實驗量之
- ρ = 0 至 0.75:偏振帶 (ρ < 0.75)。全對稱振動(A 型)偏振
- ρ = 0.75:去偏振帶。非全對稱振動得 ρ = 0.75
- 對稱歸屬:偏振帶必屬分子點群之全對稱不可約表示。此助別同頻異對稱之模
- 匯結果:匯諸觀測拉曼帶之全表:
- 拉曼位移 (cm-1)
- 相對強度(強/中/弱)
- 去偏振比(若量)
- 歸屬(振動模)
- 相應 IR 帶(若觀)
- 比參考光譜:若化合已知,比觀測拉曼光譜於所出參考光譜(RRUFF、SDBS、NIST 等庫)。峰位合於 +/- 3 cm-1 內且相對強度合則證同
- 報不確定:標暫定歸屬,記何添實驗(溫度依賴拉曼、共振拉曼、SERS)可解曖
**得:**拉曼析已全,諸帶歸,偏振數據釋為對稱,結果合於 IR 與他光譜數據。
**敗則:**若偏振數據闕,對稱歸屬僅依頻與強度型。記此限,若對稱資訊為關鍵則薦偏振量測。
驗
- 光譜品質已評(螢光、宇宙射線、基線、光降解)
- 拉曼選律已用,拉曼活躍模已辨
- 分子若中心對稱,互斥律已驗
- 諸顯拉曼帶歸於振動模
- 拉曼數據與 IR 數據相比並合(若可得)
- 去偏振比為對稱歸屬而釋之(若偏振數據可得)
- 歸屬合既知分子結構或他技術所提之結構
- 可則比參考光譜
陷
- 螢光壓拉曼訊:此為最常見單一問題。換長波長雷射或用時閘檢測。勿試以寬螢光駝為拉曼帶釋之
- 混宇宙射線尖於真峰:宇宙射線生銳而強之尖,現於隨機位。單採集中現,平均光譜中消。恆察重現性
- 忽極化率選律:IR 中強之模(極性鍵之不對稱伸縮)於拉曼或弱或闕,反之亦然。勿期同於 IR 之強度型
- 忽樣品降解:高雷射功率或焦化、聚合、或相變樣品。同點相繼量測之譜變示降解
- 假設諸拉曼帶皆基頻:泛音(二倍基頻)與組合帶或現於拉曼光譜。常弱於基頻而或致混淆若未慮之
- 略低頻模:晶格振動、扭曲模、金屬—配體伸縮現於 400 cm-1 下。多常規拉曼設置不達此區。若此模為重,驗儀器之凹口/邊緣濾可量低頻
參
interpret-ir-spectrum— 偶極活躍模之互補振動技術interpret-nmr-spectrum— 定分子連結以全結構歸屬interpret-mass-spectrum— 立分子式與碎裂interpret-uv-vis-spectrum— 述電子躍遷與發色團plan-spectroscopic-analysis— 數據採集前擇並序分析技術
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.
