Flussdiagramm. Ein Kasten „Your measurement“ (Raman-Spektren, ein bereits bekanntes Material, eine Frage in einfachen Worten) speist einen grünen Kasten „raman-analysis skill in Claude Code“ mit fünf nummerierten Schritten: Bedingungen und Qualität prüfen, mit Unsicherheiten fitten, Material identifizieren und Moden zuordnen anhand von 385 Schichtkristallen und Literaturtabellen, interpretieren, was sich verändert hat, und mit der veröffentlichten Abbildung vergleichen. Zwei blaue Kästen darüber, Valency Bond MCP und litpick MCP, liefern die veröffentlichte Abbildung und ihre Fundstelle. Die Ausgabe des Skills geht an einen Kasten „Marimo notebook“: zuerst eine Zusammenfassung, jede Zahl aus den Rohdaten berechnet, Aussagen als gemessen, abgeleitet, Literatur oder gelernt markiert, die veröffentlichte Abbildung neben den Daten, und ein HTML-Export.

Sonstiges

Literature-in-the-Loop beim 4th Open Scientific Intelligence Hackathon

· Sonstiges

  • Hackathon
  • KI für die Wissenschaft

Am 4th Open Scientific Intelligence Hackathon teilgenommen, 21. bis 22. Oktober 2026, als Team Analysis Paralysis mit Sourish Dey (SumUp, Berlin) und Pratyush Kumar Das (University of Queensland).

Ein Raman-Peak kann sich mit Dicke, Verspannung, Defekten, Dotierung, Temperatur oder einem falsch kalibrierten Spektrometer verschieben. Zu wissen, welche dieser Ursachen in Frage kommt, bringt eine erfahrene Kollegin mit, und kein Analysewerkzeug enthält dieses Wissen. Unser Projekt, Literature-in-the-Loop, ist ein Meta-Skill für Claude Code, der aus der veröffentlichten Literatur einen Analyse-Skill für eine Messtechnik schreibt.

Das durchgearbeitete Beispiel ist die Raman-Spektroskopie an 2D- und Schichtmaterialien. Der Skill prüft die Datenqualität, fittet jedes Band mit Unsicherheiten, identifiziert das Material anhand von 385 berechneten Schichtkristallen und zeigt die veröffentlichte Abbildung zur selben Größe neben den Spektren der Nutzerin oder des Nutzers, in einem Notebook, das sich auf den Rohdaten neu ausführen lässt. Publikationen werden mit litpick geöffnet, einem MCP-Server, den Sourish und ich geschrieben haben, der eine Publikation einmal zerlegt und ihre Abbildungen mit Zitat bereitstellt.

Ich habe den Raman-Skill, sein Fit-Paket und die Evaluation geschrieben; Pratyush hat die fachübergreifenden Benchmarks gebaut. Bei zurückgehaltenen Testfällen hat der Skill die Zitate des Agenten genauer gemacht, die Bewertung seiner Interpretation aber noch nicht verbessert. Der Code liegt auf GitHub.

Das Vorschaubild ist der Fit des Skills an CrSBr-Spektren aus der Abbildung im Bericht des Projekts; die Spektren stammen aus Wdowik et al. (2025), Zenodo-Eintrag 15048152, CC BY 4.0.