MCP HubMCP Hub
Вернуться к навыкам

interpret-ir-spectrum

pjt222
Обновлено Yesterday
5 просмотров
17
2
17
Посмотреть на GitHub
Другоеgeneral

О программе

Этот навык систематически анализирует инфракрасные спектры для идентификации функциональных групп в образце. Он обрабатывает как диагностическую область (4000–1500 см⁻¹), так и область отпечатков пальцев (1500–400 см⁻¹), учитывает эффекты водородных связей и составляет перечень функциональных групп с указанием уровня достоверности. Используйте его для первичного скрининга соединений, мониторинга реакций или в дополнение к данным ЯМР и масс-спектрометрии.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add pjt222/agent-almanac -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/pjt222/agent-almanac
Git клонированиеАльтернативный
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/interpret-ir-spectrum

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

解讀紅外光譜

分析紅外吸收光譜以識別官能團、評氫鍵,並編樣品所含結構特徵之完整清單。

適用時機

  • 首篩未知化合物中之官能團
  • 確特定官能團之存或缺(如驗反應將醇轉為酮)
  • 以特徵吸收之現或失監反應進度
  • 別官能團內容異之相似化合物
  • 以振動信息補 NMR 與質譜數據

輸入

  • 必要:IR 光譜數據(cm-1 之吸收頻率與強度,為 %透射或吸光度圖)
  • 必要:樣品製備法(KBr 壓片、ATR、Nujol 糊、薄膜、溶液池)
  • 選擇性:分子式或預期化合物類
  • 選擇性:自他光譜數據得之已知結構片段
  • 選擇性:儀器參數(分辨率、掃描範圍、檢測器類)

步驟

步驟一:立光譜品質與格式

分析峰之前,驗光譜適於解讀:

  1. 查 y 軸格式:定光譜繪為 %透射(%T,峰向下)或吸光度(A,峰向上)。後續分析皆假定一致慣例
  2. 驗波數範圍:確光譜涵標準中紅外分析之至少 4000--400 cm-1。記任何截斷
  3. 評基線:好基線於無吸收域當相對平而近 100%T(或 0 吸光度)。傾斜或噪基線降可靠度
  4. 查分辨率:鄰峰距小於儀器分辨率者不能分辨。常 FTIR 分辨率為 4 cm-1
  5. 識製備偽影:KBr 壓片或顯吸濕之寬 O-H 帶(~3400 cm-1)。Nujol 糊遮 C-H 伸縮。ATR 光譜於低波數示強度失真。記任何限解讀之偽影

預期: 確光譜適分析,格式、範圍與偽影已記錄。

失敗時: 若光譜有嚴重基線問題、飽和(過濃樣品之平底峰),或遮關鍵域之製備偽影,記此限並標受影響光譜域為不可靠。

步驟二:掃診斷區(4000--1500 cm-1)

系統分析多數官能團產特徵吸收之高頻區:

  1. O-H 伸縮(3200--3600 cm-1):尋寬吸收。近 3600 cm-1 之尖峰示自由 O-H;3200--3400 cm-1 中心之寬帶示氫鍵之 O-H(醇、羧酸、水)
  2. N-H 伸縮(3300--3500 cm-1):一級胺示二峰(對稱與反對稱伸縮);二級胺示一峰。常較 O-H 帶尖
  3. C-H 伸縮(2800--3300 cm-1)
Frequency (cm-1)Assignment
3300sp C-H (alkyne, sharp)
3000--3100sp2 C-H (aromatic, vinyl)
2850--3000sp3 C-H (alkyl, multiple peaks)
2700--2850Aldehyde C-H (two peaks from Fermi resonance)
  1. 三鍵區(2000--2300 cm-1)
Frequency (cm-1)AssignmentNotes
2100--2260C triple-bond CWeak or absent if symmetric
2200--2260C triple-bond NMedium to strong
~2350CO2Atmospheric artifact, disregard
  1. 羰基區(1650--1800 cm-1)——IR 中最具診斷之單區:
Frequency (cm-1)Assignment
1800--1830, 1740--1770Acid anhydride (two C=O stretches)
1770--1780Acid chloride
1735--1750Ester
1700--1725Carboxylic acid
1705--1720Aldehyde
1705--1720Ketone
1680--1700Conjugated ketone / alpha-beta unsaturated
1630--1690Amide (amide I band)
  1. C=C 與 C=N 伸縮(1600--1680 cm-1):烯烴 C=C 於 1620--1680 cm-1(弱至中)。芳香 C=C 於近 1450--1600 cm-1 示多峰。C=N(亞胺)於 1620--1660 cm-1

預期: 診斷區所有吸收已識別,附官能團指派與信心級(強、暫定、缺)。

失敗時: 若羰基區被遮(如 KBr 中水吸收、大氣 CO2),記此缺口。若預期之官能團吸收缺,於確定真缺之前以第二製備法確認。

步驟三:分析指紋區(1500--400 cm-1)

察低頻區尋確認與結構細節:

  1. C-O 伸縮(1000--1300 cm-1):醚、酯、醇與羧酸產強 C-O 伸縮吸收。酯除羰基外於近 1000--1100 cm-1 示特徵強帶
  2. C-N 伸縮(1000--1250 cm-1):胺與醯胺;與 C-O 重疊使指派於無他證時暫定
  3. C-F、C-Cl、C-Br 伸縮
Frequency (cm-1)Assignment
1000--1400C-F (strong)
600--800C-Cl
500--680C-Br
  1. 芳香取代模式(700--900 cm-1):面外 C-H 彎曲露取代:
Frequency (cm-1)Pattern
730--770Mono-substituted (+ 690--710)
735--770Ortho-disubstituted
750--810, 860--900Meta-disubstituted
790--840Para-disubstituted
  1. 整體指紋比較:指紋區為每化合物獨有。若參考光譜可得,疊此區以確認同一

預期: 步驟二所識官能團之確認指派,加附結構細節(取代模式、C-O/C-N 指派)。

失敗時: 指紋區本質複而重疊。若指派模糊,標為暫定並依診斷區與他光譜數據作最終結論。

步驟四:評氫鍵與分子間效應

評樣品態與分子間互作如何影響光譜:

  1. 氫鍵寬化:比 O-H 與 N-H 帶之寬與位。自由 O-H 尖而近 3600 cm-1;氫鍵之 O-H 寬而移至 3200--3400 cm-1。羧酸二聚體自 2500--3300 cm-1 示甚寬 O-H
  2. 濃度與態效應:異濃之溶液光譜能別分子內(濃度無關)與分子間(濃度相關)氫鍵
  3. 費米共振:二重疊帶可作用而裂為雙峰。經典例為近 2720 與 2820 cm-1 之醛 C-H 對。識費米共振以避誤將多峰指派為別官能團
  4. 固態效應:KBr 壓片與 Nujol 糊反映固態堆積,寬化帶並相對溶液光譜移頻 10--20 cm-1。ATR 光譜最近純液態

預期: 氫鍵態已刻畫,製備法偽影已考量,任何異常帶形已釋。

失敗時: 若氫鍵效應不能解(如重疊之 O-H 與 N-H 帶),記此模糊。D2O 交換實驗或變溫研究可助,然此需附加數據。

步驟五:編官能團清單

合所有發現為結構化報告:

  1. 列已確認官能團:於診斷區有強、明確吸收者(如 1715 cm-1 之尖 C=O = 酮或醛)
  2. 列暫定指派:有較弱證據或重疊吸收、可由多於一官能團釋者
  3. 列缺官能團:其特徵強吸收明缺於光譜者(如無寬 O-H 帶謂無自由醇或羧酸)
  4. 記不符:任何不合擬議官能團集之吸收,或預期缺之吸收
  5. 交叉參考:若可得,比 IR 所得官能團清單於他技術(NMR、MS、UV-Vis)之信息

預期: 完整官能團清單按信心級分類,每指派以具體頻率與強度為據。

失敗時: 若清單不全或相悖,識別何附加實驗(ATR vs. KBr 比較、變濃、D2O 交換)可解模糊。

驗證

  • 光譜品質已評(基線、分辨率、偽影、y 軸格式)
  • 溶劑、製備法與大氣偽影已識別並排除
  • 診斷區(4000--1500 cm-1)所有吸收已指派或標
  • 羰基區已分析並於可能處作具體子類指派
  • 指紋區已察以尋確認證據
  • 氫鍵效應已評並記其對峰形/位之影響
  • 官能團清單已編附信心級
  • 缺官能團已明記之(負證據有信息)
  • 指派已與他可得光譜數據交叉參考

常見陷阱

  • 忽製備偽影:KBr 水(寬 3400 cm-1)、Nujol C-H(2850--2950 cm-1)與 ATR 低波數強度失真皆擬或遮真樣吸收。恒考製備法
  • 過解指紋區:1500 cm-1 下之區複而重疊。用以確認,非主要識別。避每峰皆指派
  • 混大氣 CO2 與樣峰:近 2350 cm-1 之尖雙峰幾皆為大氣 CO2,非樣吸收。背景減應除之,然當驗
  • 忽帶強與寬:強寬吸收較同頻之弱尖峰有異診斷值。以強度(強/中/弱)與形(尖/寬)連同頻報之
  • 單峰指派:絕勿以單吸收識別官能團。如羰基當有附加帶支之(酯之 C-O、醯胺之 N-H、醛之 C-H)
  • 以弱吸收假缺:某些官能團本產弱 IR 吸收(對稱 C=C、對稱炔之三鍵)。峰缺不必謂團缺

相關技能

  • interpret-nmr-spectrum — 定詳連接性與氫環境
  • interpret-mass-spectrum — 立分子式與裂片模式
  • interpret-uv-vis-spectrum — 刻畫發色團以補 IR 官能團數據
  • interpret-raman-spectrum — 獲 IR 非活模式之互補振動數據
  • plan-spectroscopic-analysis — 於數據獲取前擇並排序光譜技術

GitHub репозиторий

pjt222/agent-almanac
Путь: i18n/wenyan-lite/skills/interpret-ir-spectrum
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Похожие навыки

llamaguard

Другое

LlamaGuard — 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.

Просмотреть навык

cost-optimization

Другое

Этот 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.

Просмотреть навык

quantizing-models-bitsandbytes

Другое

Этот 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.

Просмотреть навык

dispatching-parallel-agents

Другое

Этот 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.

Просмотреть навык