收益：
- 能够理解 NMR、IR 和 MS 显示的内容，并使用人工智能作为基于预期结构的假设检验器
- 能够通过提供积分、拆分、求解器和 ppm 阈值等完整详细信息来检查分配一致性
- 能够理解最终的结构分配取决于化学家检查实验光谱并且必须同时使用多种技术。
当你合成一种化合物时，真正的问题是：“我真的得到了我想要的分子吗？”光谱学可以回答这个问题。三种基本技术：NMR（读取原子核的磁环境并显示原子的邻近区域）、IR（读取分子中键的振动并显示官能团）和质谱（MS）（显示分子的质量和碎片模式）。人工智能是解释这些光谱的强大助手：对峰值进行分组、建议可能的分配、检查一致性。但最终的结构分配是由观察并评估实验光谱的化学家做出的。在本单元中，我们将学习以监督方式在频谱解释中使用人工智能。
三种技术说了什么
- 1H NMR：显示氢原子的数量、它们的邻居（裂解模式）和化学环境（位移值，ppm）。例如，在约 7 ppm 时，信号暗示芳香族氢，在约 2 ppm 时，信号暗示单线态乙酰基。
- 13C NMR：显示碳骨架；羰基碳的含量约为 170-200 ppm。
- IR：表示官能团； ~1700 cm^-1 羰基 (C=O)、~3300 cm^-1 宽带 O-H 或 N-H。
- MS：分子离子峰 (M⁺) 给出分子量，碎片给出结构线索。高分辨率 MS (HRMS) 确认了分子式。
AI 非常了解这些值的典型范围。那么“1710 cm⁻¹ 可能是多少？”它可靠地回答了这个问题。它的弱点在于在没有看到实际实验光谱的细节（重叠峰、杂质信号）的情况下进行分配。
提示：将谱作为“原始数据+预期结构”一起交给AI，并询问“这个数据与这个结构一致吗？”问。使用人工智能作为假设检验器会问“这个谱是什么化合物？”这比从头开始询问要可靠得多。
一步一步：利用 AI 进行频谱解释
- 给出预期的结构：给出您合成的化合物的 SMILES。让人工智能告诉您首先会发生什么。
- 导出原始数据：按顺序输入峰列表（NMR 位移、积分、分裂；IR 谱带；MS m/z 值）。
- 问一个一致性问题：“这些数据与预期的结构一致吗？哪个峰对应哪个原子？”
- 寻找间隙：“是否有预期但不可见的峰？是否有意外的峰（杂质）？”
- 替代测试：如果存在不一致，“还有什么其他结构可以更好地解释这些数据？”
- 人类决策：您通过检查实验光谱来确认最终分配。
四个可复制模板
1) 1H NMR一致性检查：
预期化合物：4-甲氧基苯乙酮（SMILES：COc1ccc(cc1)C(C)=O）。1H NMR (CDCl3) 峰列表：- 7.93 ppm (2H, d)- 6.93 ppm (2H, d)- 3.87 ppm (3H, s)- 2.56 ppm (3H, s)任务：1) 每个峰分配给a 氢基团 ata.2) 总 H 数和积分是否一致？3) 是否有任何丢失/意外的峰？最终决定由我决定；给出你的一致性分析。
2) 红外官能团：
IR (cm^-1) 显着谱带：1675、1600、1258、2840。预期化合物含有芳香酮和甲氧基。任务：将每个带分配给一个可能的键/组。解释为什么 1675 cm^-1 而不是 1715（共轭效应？）。
3）MS公式验证：
通过 HRMS 测量[M+H]+ = 151.0754。预期化合物：4-甲氧基苯乙酮(C9H10O2)。任务：计算C9H10O2的[M+H]+的理论质量，找出与测量值的差异（ppm），如果一致则进行评论。注意：我还将检查确切的单同位素质量。
4）多技术结合：
以下三个数据属于一个化合物：- IR：宽 3300 cm^-1、1710 cm^-1。- 1H NMR：12 ppm 宽 1H、2.4 ppm 2H t，...- MS：M+ = 88。 任务：一起评估这三个数据并提出可能的结构。分别写出每个证据支持的结构特征。列出替代结构并解释为什么消除它们。
弱提示/强提示
弱：
这是什么核磁共振？在 7.9 和 3.9 ppm 处有峰值。
没有上下文（溶剂、整合、裂解、预期结构）。人工智能随机预测一种化合物。
强：
预期化合物：苯甲醚衍生物。 1 H NMR(CDCl 3 )：7.93(2H，d)、6.93(2H，d)、3.87(3H，s)、2.56(3H，s)。任务：检查峰与该结构的一致性，丢弃每个峰，如果不一致则建议替代结构。
区别：预期的结构、完整的峰列表（积分+裂解+溶剂）和明确的一致性任务。人工智能现在测试假设，而不是做出预测。
技术比较
技术性的
显示什么
AI支持强吗？
验证点
1H核磁共振
H号、邻里、环境
强（作业、整合）
积分和=分子数H
13C核磁共振
碳骨架
强大（滑动间隔）
碳原子数必须匹配
红外
功能组
强（乐队分配）
羰基、OH/NH 谱带
质谱/高分辨质谱
质量、公式
中强（公式计算）
理论质量（ppm）
迷你箱
情况 1 — 峰值捕获不完整。一名学生用人工智能检查了他的产品的 1H NMR。 YZ 注意到预期结构中的 OH 峰并未出现在列表中，并表示“它可能是可交换的质子，或者产品是错误的。”学生做了D2O震动测试，OH确实存在但重叠。人工智能的“峰值缺失”警告引发了正确的问题。
情况 2 — 错误的分配更正。 YZ 最初将 2.1 ppm 的单线态指定给甲基酮；但积分是 2H 而不是 3H。用户表示，AI将分配更新为CH2组。教训：让人工智能清楚地了解集成，否则它会出错。
情况 3 — HRMS ppm 误差。预期化合物为 C10H12O2（[M+H]+ 理论值 165.0910）。测量值 165.0912； 1.2 ppm 的差异是可以接受的 (<5 ppm)。人工智能完成了这一计算，但用户还使用独立工具检查了单同位素质量；价值观重叠。教训：用 ppm 阈值进行 MS 公式验证，不要用肉眼说“接近”。
常见错误
- 询问时没有给出预期的结构。强迫人工智能从头开始猜测会增加错误率；检验假设。
- 跳过整合/裂解。如果 NMR 中没有此信息，分配是不可靠的。
- 忘记溶剂峰。将溶剂信号（例如 CDCl3 ~7.26 ppm、DMSO ~2.50 ppm）分配给化合物。
- 忽略 MS 中的同位素模式。在含有氯/溴的化合物中，M+2 模式提供有关结构的信息。
- 依靠单一技术。将 NMR、IR 和 MS 结合起来考虑比单独依赖其中任何一个要可靠得多。
- 在没有看到实验光谱的情况下批准它。 AI解读巅峰榜；人们必须查看实际光谱的细节，例如重叠、杂质等。
注意：仅仅因为AI在光谱解释中说“一致”，并不意味着结构绝对正确；它只是意味着“这个数据不排除这个结构”。准确的分配需要多种技术和人类判断。
综上所述
- NMR表示邻域，IR表示官能团，MS表示质量/式；它们一起使用时非常强大。
- 使用人工智能作为假设检验器：给出预期结构+原始数据并要求一致性。
- 输入完整的详细信息，例如积分、拆分、溶剂和 ppm 阈值。
- 使用数值 ppm 阈值执行 HRMS 公式验证；不要忽视 MS 同位素模式。
- 最终的结构分配取决于化学家检查实验光谱。
应用任务
获取您合成的化合物（或从文献文章中检索）的实际 NMR、IR 和 MS 数据。首先对人工智能微笑并询问“我应该期待什么？” '，然后提供原始数据并检查其一致性。尝试在每种技术中找到人工智能的一项正确和一项错误/不完整的分配。计算 HRMS 的理论和测量质量差异（以 ppm 为单位）。将结果绘制到表格中。
清单
- [ ] 我知道 NMR、IR 和 MS 显示什么。
- [ ] 我将预期的结构赋予 AI 并检验假设。
- [ ] 我完整地输入了积分、分裂、溶剂和峰列表。
- [ ] 我使用 ppm 阈值进行 HRMS 验证数值。
- [ ] 我一起评估多种技术。
- [ ] 我通过检查实验光谱来确认最终分配。