interpret-raman-spectrum
О программе
Этот навык интерпретирует спектры комбинационного рассеяния для идентификации молекулярных колебаний и определения симметрии путём применения правил отбора по поляризуемости и анализа коэффициентов деполяризации. Он особенно полезен для анализа образцов, где ИК-спектроскопия затруднена, а также для изучения симметричных колебаний или углеродных материалов. Ключевые возможности включают снижение влияния флуоресценции, сравнение с дополнительными ИК-данными и сопоставление с эталонными спектрами.
Быстрая установка
Claude Code
Рекомендуетсяnpx 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-spectrumСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
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 репозиторий
Похожие навыки
llamaguard
ДругоеLlamaGuard — это модель от Meta с 7–8 миллиардами параметров для модерации входных и выходных данных больших языковых моделей по шести категориям безопасности, таким как насилие и разжигание ненависти. Она обеспечивает точность 94–95% и может быть развернута с помощью vLLM, Hugging Face или Amazon SageMaker. Используйте этот навык, чтобы легко интегрировать фильтрацию контента и защитные механизмы в ваши ИИ-приложения.
cost-optimization
ДругоеЭтот навык Claude помогает разработчикам оптимизировать облачные расходы за счет правильного подбора ресурсов, стратегий тегирования и анализа затрат. Он предоставляет framework для сокращения облачных расходов и внедрения управления затратами в AWS, Azure и GCP. Используйте его, когда вам нужно проанализировать расходы на инфраструктуру, оптимизировать ресурсы или уложиться в бюджетные ограничения.
quantizing-models-bitsandbytes
ДругоеЭтот навык выполняет квантизацию LLM до 8-битной или 4-битной точности с использованием библиотеки bitsandbytes, обеспечивая сокращение использования памяти на 50-75% при минимальной потере точности. Он идеально подходит для запуска больших моделей при ограниченной памяти GPU или для ускорения вывода, поддерживая форматы INT8, NF4 и FP4. Навык интегрируется с HuggingFace Transformers и позволяет использовать обучение QLoRA и 8-битные оптимизаторы.
dispatching-parallel-agents
ДругоеЭтот навык Claude распределяет нескольких агентов для исследования и устранения трёх и более независимых проблем параллельно. Он предназначен для сценариев с несвязанными сбоями, которые можно устранить без общего состояния или зависимостей. Ключевая возможность — параллельное решение проблем, где за каждую независимую предметную область назначается отдельный агент для максимальной эффективности.
