@nahisaho/satori 0.1.0

package/src/.github/skills/scientific-image-analysis/SKILL.md

@@ -0,0 +1,310 @@
+---
+name: scientific-image-analysis
+description: |
+  科学画像解析スキル。顕微鏡画像のセグメンテーション（Otsu/Watershed/Felzenszwalb）、
+  粒径分布解析、形態計測（面積・周囲長・真円度・アスペクト比）、テクスチャ解析
+  （GLCM/LBP）、強度プロファイル、マルチチャネル蛍光画像合成の解析テンプレート。
+---
+
+# Scientific Image Analysis
+
+光学顕微鏡（SEM / TEM / 蛍光）や医用画像データの定量解析パイプライン。
+画像前処理→セグメンテーション→形態計測→統計解析の標準ワークフローを提供する。
+
+## When to Use
+
+- 顕微鏡画像の粒子・構造のセグメンテーションが必要なとき
+- 粒径分布・形態パラメータ（面積、真円度など）を定量化するとき
+- テクスチャ特徴量（GLCM / LBP）を抽出するとき
+- 蛍光画像のマルチチャネル合成・強度定量化が必要なとき
+
+---
+
+## Quick Start
+
+## 1. 画像読み込み・前処理
+
+```python
+import numpy as np
+import matplotlib.pyplot as plt
+from skimage import io, filters, morphology, measure, exposure, color
+from skimage.segmentation import watershed, felzenszwalb
+from scipy import ndimage
+
+def load_and_preprocess(filepath, target_size=None):
+    """
+    画像の読み込みと前処理。
+
+    Steps:
+        1. グレースケール変換
+        2. コントラスト強調 (CLAHE)
+        3. ノイズ除去 (Gaussian)
+    """
+    img = io.imread(filepath)
+
+    if img.ndim == 3:
+        gray = color.rgb2gray(img)
+    else:
+        gray = img.astype(float)
+
+    # CLAHE (Contrast Limited Adaptive Histogram Equalization)
+    enhanced = exposure.equalize_adapthist(gray, clip_limit=0.03)
+
+    # ガウシアンノイズ除去
+    denoised = filters.gaussian(enhanced, sigma=1)
+
+    if target_size is not None:
+        from skimage.transform import resize
+        denoised = resize(denoised, target_size, anti_aliasing=True)
+
+    return img, gray, denoised
+```
+
+## 2. セグメンテーション
+
+### 2.1 Otsu + 形態演算
+
+```python
+def otsu_segmentation(image, min_size=50, closing_disk=3):
+    """
+    Otsu 閾値 + 形態学的クリーニングによるバイナリセグメンテーション。
+    """
+    threshold = filters.threshold_otsu(image)
+    binary = image > threshold
+
+    # 形態学的クリーニング
+    binary = morphology.binary_closing(binary, morphology.disk(closing_disk))
+    binary = morphology.remove_small_objects(binary, min_size=min_size)
+    binary = ndimage.binary_fill_holes(binary)
+
+    # ラベリング
+    labels = measure.label(binary)
+
+    return binary, labels, threshold
+```
+
+### 2.2 Watershed セグメンテーション
+
+```python
+from skimage.feature import peak_local_max
+
+def watershed_segmentation(image, min_distance=10, footprint_size=3):
+    """
+    Watershed による接触粒子の分離セグメンテーション。
+    """
+    threshold = filters.threshold_otsu(image)
+    binary = image > threshold
+    binary = ndimage.binary_fill_holes(binary)
+
+    # 距離変換
+    distance = ndimage.distance_transform_edt(binary)
+
+    # ローカルマキシマ
+    coords = peak_local_max(distance, min_distance=min_distance,
+                             labels=binary)
+    mask = np.zeros(distance.shape, dtype=bool)
+    mask[tuple(coords.T)] = True
+    markers = measure.label(mask)
+
+    # Watershed
+    labels = watershed(-distance, markers, mask=binary)
+
+    return labels, distance
+```
+
+## 3. 形態計測
+
+```python
+def morphometric_analysis(labels, pixel_size_um=1.0):
+    """
+    ラベル画像から各オブジェクトの形態パラメータを計測する。
+
+    計測項目:
+        - area: 面積 (μm²)
+        - perimeter: 周囲長 (μm)
+        - equivalent_diameter: 等価円直径 (μm)
+        - circularity: 真円度 4π·A/P²
+        - aspect_ratio: アスペクト比 (major/minor axis)
+        - solidity: 充填率 (area/convex_area)
+        - eccentricity: 離心率
+    """
+    import pandas as pd
+
+    props = measure.regionprops(labels)
+    records = []
+
+    for p in props:
+        area = p.area * (pixel_size_um ** 2)
+        perimeter = p.perimeter * pixel_size_um
+        eq_diameter = p.equivalent_diameter * pixel_size_um
+        circularity = (4 * np.pi * p.area) / (p.perimeter**2 + 1e-10)
+        aspect_ratio = p.major_axis_length / (p.minor_axis_length + 1e-10)
+
+        records.append({
+            "label": p.label,
+            "area_um2": area,
+            "perimeter_um": perimeter,
+            "equivalent_diameter_um": eq_diameter,
+            "circularity": circularity,
+            "aspect_ratio": aspect_ratio,
+            "solidity": p.solidity,
+            "eccentricity": p.eccentricity,
+            "centroid_y": p.centroid[0],
+            "centroid_x": p.centroid[1],
+        })
+
+    return pd.DataFrame(records)
+```
+
+## 4. 粒径分布
+
+```python
+def particle_size_distribution(morpho_df, diameter_col="equivalent_diameter_um",
+                                 bins=30, figsize=(10, 6)):
+    """
+    粒径分布のヒストグラムと統計量を算出する。
+
+    出力:
+        - ヒストグラム + カーネル密度
+        - D10, D50 (中央値), D90
+        - 平均, 標準偏差, 変動係数 CV
+    """
+    diameters = morpho_df[diameter_col].values
+
+    d10 = np.percentile(diameters, 10)
+    d50 = np.percentile(diameters, 50)
+    d90 = np.percentile(diameters, 90)
+    span = (d90 - d10) / d50
+
+    stats = {
+        "count": len(diameters),
+        "mean_um": np.mean(diameters),
+        "std_um": np.std(diameters),
+        "cv_pct": np.std(diameters) / np.mean(diameters) * 100,
+        "d10_um": d10,
+        "d50_um": d50,
+        "d90_um": d90,
+        "span": span,
+    }
+
+    fig, ax = plt.subplots(figsize=figsize)
+    ax.hist(diameters, bins=bins, density=True, alpha=0.7, color="steelblue",
+            edgecolor="black", linewidth=0.5)
+
+    # KDE
+    from scipy.stats import gaussian_kde
+    kde = gaussian_kde(diameters)
+    x_range = np.linspace(diameters.min(), diameters.max(), 200)
+    ax.plot(x_range, kde(x_range), "r-", linewidth=2, label="KDE")
+
+    # D10/D50/D90 線
+    for d, label in [(d10, "D10"), (d50, "D50"), (d90, "D90")]:
+        ax.axvline(d, color="gray", linestyle="--", alpha=0.7)
+        ax.text(d, ax.get_ylim()[1]*0.95, f" {label}={d:.1f}", fontsize=9)
+
+    ax.set_xlabel("Diameter (μm)")
+    ax.set_ylabel("Density")
+    ax.set_title("Particle Size Distribution", fontweight="bold")
+    ax.legend()
+    plt.tight_layout()
+    plt.savefig("figures/particle_size_distribution.png", dpi=300,
+                bbox_inches="tight")
+    plt.close()
+
+    return stats
+```
+
+## 5. テクスチャ解析 (GLCM)
+
+```python
+from skimage.feature import graycomatrix, graycoprops
+
+def glcm_texture_features(image, distances=[1, 3, 5], angles=[0, np.pi/4,
+                            np.pi/2, 3*np.pi/4], levels=256):
+    """
+    GLCM (Gray-Level Co-occurrence Matrix) テクスチャ特徴量を抽出する。
+
+    Features: contrast, dissimilarity, homogeneity, energy, correlation, ASM
+    """
+    img_uint8 = (image * 255).astype(np.uint8) if image.max() <= 1 else image.astype(np.uint8)
+
+    glcm = graycomatrix(img_uint8, distances=distances, angles=angles,
+                         levels=levels, symmetric=True, normed=True)
+
+    features = {}
+    for prop in ["contrast", "dissimilarity", "homogeneity", "energy",
+                 "correlation", "ASM"]:
+        values = graycoprops(glcm, prop)
+        features[f"{prop}_mean"] = values.mean()
+        features[f"{prop}_std"] = values.std()
+
+    return features
+```
+
+## 6. 蛍光マルチチャネル合成
+
+```python
+def merge_fluorescence_channels(channels, colors=None, figsize=(10, 10)):
+    """
+    蛍光顕微鏡のマルチチャネル画像を合成する。
+
+    Parameters:
+        channels: dict {"DAPI": array, "GFP": array, "RFP": array}
+        colors: dict {"DAPI": [0,0,1], "GFP": [0,1,0], "RFP": [1,0,0]}
+    """
+    if colors is None:
+        colors = {"DAPI": [0, 0, 1], "GFP": [0, 1, 0], "RFP": [1, 0, 0],
+                  "Cy5": [1, 0, 1]}
+
+    ch_names = list(channels.keys())
+    shape = list(channels.values())[0].shape
+    merged = np.zeros((*shape, 3))
+
+    n = len(ch_names) + 1
+    fig, axes = plt.subplots(1, n, figsize=(5*n, 5))
+
+    for i, (name, img) in enumerate(channels.items()):
+        # 正規化
+        norm_img = (img - img.min()) / (img.max() - img.min() + 1e-10)
+
+        # 個別チャネル表示
+        ch_color = np.array(colors.get(name, [1, 1, 1]))
+        colored = norm_img[:, :, np.newaxis] * ch_color
+        axes[i].imshow(np.clip(colored, 0, 1))
+        axes[i].set_title(name, fontweight="bold")
+        axes[i].axis("off")
+
+        # マージ画像に加算
+        merged += colored
+
+    # 合成画像
+    axes[-1].imshow(np.clip(merged, 0, 1))
+    axes[-1].set_title("Merged", fontweight="bold")
+    axes[-1].axis("off")
+
+    plt.tight_layout()
+    plt.savefig("figures/fluorescence_merged.png", dpi=300, bbox_inches="tight")
+    plt.close()
+
+    return np.clip(merged, 0, 1)
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/morphometric_data.csv` | CSV |
+| `results/particle_size_stats.csv` | CSV |
+| `results/glcm_texture_features.csv` | CSV |
+| `figures/segmentation_result.png` | PNG |
+| `figures/particle_size_distribution.png` | PNG |
+| `figures/fluorescence_merged.png` | PNG |
+
+#### 依存パッケージ
+
+```
+scikit-image>=0.21
+scipy>=1.10
+```

package/src/.github/skills/scientific-materials-characterization/SKILL.md

@@ -0,0 +1,368 @@
+---
+name: scientific-materials-characterization
+description: |
+  薄膜・材料キャラクタリゼーション解析のスキル。Thornton-Anders 構造ゾーンモデル（SZM）、
+  XRD 結晶子サイズ解析（Scherrer 方程式）、Williamson-Hall プロット、多技法融合データ解析、
+  PSP フレームワーク設計を行う際に使用。Scientific Skills Exp-13 で確立したパターン。
+---
+
+# Scientific Materials Characterization
+
+薄膜工学・材料科学における構造キャラクタリゼーション解析パイプラインスキル。
+XRD、AFM、四探針法、UV-Vis などの測定データを統合し、Process-Structure-Property
+（PSP）の因果連鎖を定量化する。
+
+## When to Use
+
+- 薄膜の成膜条件と膜特性の相関を解析したいとき
+- XRD データから結晶子サイズ・格子歪を解析したいとき
+- Thornton-Anders 構造ゾーンモデルにデータをマッピングしたいとき
+- 多技法（XRD + AFM + 電気 + 光学）データを統合した解析
+- PSP フレームワーク（Process → Structure → Property）
+
+## Quick Start
+
+## 1. 材料定義テンプレート
+
+```python
+# 材料物性定数辞書
+MATERIAL_PROPERTIES = {
+    "ZnO":  {"Tm_K": 2248, "Eg_eV": 3.37, "type": "TCO",  "crystal": "wurtzite"},
+    "ITO":  {"Tm_K": 2200, "Eg_eV": 3.70, "type": "TCO",  "crystal": "cubic"},
+    "Al2O3": {"Tm_K": 2345, "Eg_eV": 8.80, "type": "dielectric", "crystal": "corundum"},
+    "HfO2": {"Tm_K": 3031, "Eg_eV": 5.80, "type": "dielectric", "crystal": "monoclinic"},
+    "TiO2": {"Tm_K": 2116, "Eg_eV": 3.20, "type": "functional", "crystal": "rutile"},
+    "SiO2": {"Tm_K": 1986, "Eg_eV": 8.90, "type": "dielectric", "crystal": "amorphous"},
+}
+
+# XRD 主要ピーク位置 (2θ, Cu-Kα)
+XRD_PEAKS = {
+    "ZnO":  {"(100)": 31.8, "(002)": 34.4, "(101)": 36.3},
+    "ITO":  {"(222)": 30.6, "(400)": 35.5, "(440)": 51.0},
+    "TiO2": {"(110)": 27.4, "(101)": 25.3, "(200)": 36.1},
+}
+```
+
+## 2. 相同温度と構造ゾーンモデル（Thornton-Anders）
+
+```python
+import numpy as np
+import matplotlib.pyplot as plt
+import matplotlib.patches as patches
+
+def calculate_homologous_temperature(T_substrate_C, T_melt_K):
+    """
+    相同温度 T/Tm を算出する。
+    T_substrate_C: 基板温度 (°C)
+    T_melt_K: 融点 (K)
+    """
+    return (T_substrate_C + 273.15) / T_melt_K
+
+
+def structure_zone_model(df, T_sub_col, material_col, materials_dict,
+                          crystallite_col=None, figsize=(12, 8)):
+    """
+    Thornton-Anders 構造ゾーンモデルにデータをマッピングする。
+
+    ゾーン境界:
+    - Zone 1: T/Tm < 0.15 (繊維状 / アモルファス)
+    - Zone T: 0.15 ≤ T/Tm < 0.30 (遷移帯 / 緻密微結晶)
+    - Zone 2: 0.30 ≤ T/Tm < 0.50 (柱状結晶)
+    - Zone 3: T/Tm ≥ 0.50 (等軸粒)
+    """
+    df = df.copy()
+
+    # 相同温度を算出
+    df["T_homologous"] = df.apply(
+        lambda row: calculate_homologous_temperature(
+            row[T_sub_col],
+            materials_dict[row[material_col]]["Tm_K"]
+        ), axis=1
+    )
+
+    # ゾーン分類
+    def classify_zone(T_Tm):
+        if T_Tm < 0.15:
+            return "Zone 1"
+        elif T_Tm < 0.30:
+            return "Zone T"
+        elif T_Tm < 0.50:
+            return "Zone 2"
+        else:
+            return "Zone 3"
+
+    df["Structure_Zone"] = df["T_homologous"].apply(classify_zone)
+
+    # ──── 可視化 ────
+    fig, ax = plt.subplots(figsize=figsize)
+
+    zone_colors = {
+        "Zone 1": "#FFE0B2",   # 薄橙
+        "Zone T": "#C8E6C9",   # 薄緑
+        "Zone 2": "#BBDEFB",   # 薄青
+        "Zone 3": "#F8BBD0",   # 薄桃
+    }
+
+    # ゾーン背景
+    boundaries = [0, 0.15, 0.30, 0.50, 0.80]
+    zone_names = ["Zone 1\n(Fibrous)", "Zone T\n(Transition)",
+                  "Zone 2\n(Columnar)", "Zone 3\n(Equiaxed)"]
+    for i, (b_start, b_end) in enumerate(zip(boundaries[:-1], boundaries[1:])):
+        rect = patches.Rectangle(
+            (b_start, 0), b_end - b_start, 1,
+            linewidth=0, facecolor=list(zone_colors.values())[i], alpha=0.3
+        )
+        ax.add_patch(rect)
+        ax.text((b_start + b_end) / 2, 0.95, zone_names[i],
+               ha="center", va="top", fontsize=9, fontweight="bold", alpha=0.6)
+
+    # 材料別プロット
+    unique_mats = df[material_col].unique()
+    colors = plt.cm.Set2(np.linspace(0, 1, len(unique_mats)))
+
+    for color, mat in zip(colors, unique_mats):
+        mask = df[material_col] == mat
+        subset = df[mask]
+
+        # 正規化粒子エネルギー（出力 / 圧力の比のプロキシ）
+        if "Power" in df.columns and "Working_Pressure" in df.columns:
+            y_val = subset["Power"] / (subset["Working_Pressure"] * 100 + 1)
+            y_val = (y_val - y_val.min()) / (y_val.max() - y_val.min() + 1e-10)
+        else:
+            y_val = np.random.uniform(0.3, 0.7, mask.sum())
+
+        sizes = 50
+        if crystallite_col and crystallite_col in df.columns:
+            cs = subset[crystallite_col].values
+            sizes = 30 + (cs - cs.min()) / (cs.max() - cs.min() + 1e-10) * 200
+
+        ax.scatter(subset["T_homologous"], y_val,
+                  s=sizes, c=[color], label=mat,
+                  alpha=0.7, edgecolors="black", linewidth=0.5)
+
+    ax.set_xlabel("Homologous Temperature T/Tₘ", fontsize=12)
+    ax.set_ylabel("Normalized Particle Energy", fontsize=12)
+    ax.set_title("Thornton-Anders Structure Zone Model", fontsize=14,
+                fontweight="bold")
+    ax.set_xlim(0, max(df["T_homologous"].max() * 1.1, 0.6))
+    ax.set_ylim(0, 1)
+    ax.legend(title="Material", bbox_to_anchor=(1.05, 1))
+
+    # ゾーン境界線
+    for b in [0.15, 0.30, 0.50]:
+        ax.axvline(b, color="gray", linestyle="--", linewidth=1, alpha=0.5)
+
+    plt.tight_layout()
+    plt.savefig("figures/structure_zone_model.png", dpi=300, bbox_inches="tight")
+    plt.close()
+
+    # ゾーン統計
+    zone_stats = df.groupby("Structure_Zone").agg(
+        Count=("Structure_Zone", "size"),
+        Mean_T_Tm=("T_homologous", "mean"),
+    )
+    if crystallite_col:
+        zone_stats["Mean_Crystallite"] = df.groupby("Structure_Zone")[crystallite_col].mean()
+    zone_stats.to_csv("results/structure_zone_statistics.csv")
+
+    return df, zone_stats
+```
+
+## 3. XRD 結晶子サイズ解析（Scherrer 方程式）
+
+```python
+def scherrer_crystallite_size(beta_rad, two_theta_deg, K=0.9, wavelength_nm=0.15406):
+    """
+    Scherrer 方程式: D = Kλ / (β cos θ)
+
+    Parameters:
+        beta_rad: 半値全幅 FWHM (ラジアン)
+        two_theta_deg: ブラッグ角 2θ (度)
+        K: 形状因子 (通常 0.9)
+        wavelength_nm: X 線波長 (nm, Cu-Kα = 0.15406)
+
+    Returns:
+        結晶子サイズ D (nm)
+    """
+    theta_rad = np.radians(two_theta_deg / 2)
+    D = (K * wavelength_nm) / (beta_rad * np.cos(theta_rad))
+    return D
+
+
+def williamson_hall_analysis(two_theta_list, fwhm_list, wavelength_nm=0.15406):
+    """
+    Williamson-Hall プロット: β cos θ = Kλ/D + 4ε sin θ
+
+    FWHM のブロードニングを結晶子サイズ効果と格子歪み効果に分離する。
+
+    Returns:
+        D: 結晶子サイズ (nm)
+        epsilon: 格子歪み (%)
+    """
+    theta_rad = np.radians(np.array(two_theta_list) / 2)
+    beta_rad = np.array(fwhm_list)
+
+    x = 4 * np.sin(theta_rad)
+    y = beta_rad * np.cos(theta_rad)
+
+    # 線形回帰: y = intercept + slope * x
+    from scipy.stats import linregress
+    slope, intercept, r_value, p_value, std_err = linregress(x, y)
+
+    D = (0.9 * wavelength_nm) / intercept if intercept > 0 else np.nan
+    epsilon = slope * 100  # %
+
+    return {
+        "crystallite_size_nm": D,
+        "lattice_strain_pct": epsilon,
+        "r_squared": r_value ** 2,
+        "p_value": p_value,
+    }
+```
+
+## 4. 配向度 TC(hkl) の計算
+
+```python
+def texture_coefficient(I_measured, I_reference):
+    """
+    配向度 Texture Coefficient TC(hkl) を計算する。
+
+    TC(hkl) = [I(hkl)/I₀(hkl)] / [(1/N) Σ I(hkl)/I₀(hkl)]
+
+    TC = 1: ランダム配向
+    TC > 1: 優先配向
+    TC < 1: 劣位配向
+
+    Parameters:
+        I_measured: dict {(hkl): intensity} — 測定ピーク強度
+        I_reference: dict {(hkl): intensity} — ICDD PDF カード参照強度
+    """
+    ratios = {}
+    for hkl in I_measured:
+        if hkl in I_reference and I_reference[hkl] > 0:
+            ratios[hkl] = I_measured[hkl] / I_reference[hkl]
+
+    N = len(ratios)
+    if N == 0:
+        return {}
+
+    mean_ratio = np.mean(list(ratios.values()))
+
+    tc = {hkl: ratio / mean_ratio for hkl, ratio in ratios.items()}
+    return tc
+```
+
+## 5. 膜応力解析（Stoney 方程式）
+
+```python
+def stoney_film_stress(R_before_m, R_after_m, E_substrate_Pa,
+                        nu_substrate, t_substrate_m, t_film_m):
+    """
+    Stoney 方程式: σ = (Es × ts²) / (6(1-νs) × tf) × (1/R_after - 1/R_before)
+
+    曲率変化から膜応力を算出する。
+
+    Parameters:
+        R_before_m: 成膜前の曲率半径 (m)
+        R_after_m: 成膜後の曲率半径 (m)
+        E_substrate_Pa: 基板のヤング率 (Pa)
+        nu_substrate: 基板のポアソン比
+        t_substrate_m: 基板厚 (m)
+        t_film_m: 膜厚 (m)
+
+    Returns:
+        膜応力 σ (Pa) — 正:引張、負:圧縮
+    """
+    curvature_change = (1 / R_after_m) - (1 / R_before_m)
+    biaxial_modulus = E_substrate_Pa / (1 - nu_substrate)
+    sigma = (biaxial_modulus * t_substrate_m**2 * curvature_change) / (6 * t_film_m)
+    return sigma
+
+
+# Si(100) 基板の標準定数
+SI_SUBSTRATE = {
+    "E_Pa": 130.2e9,        # ヤング率
+    "nu": 0.279,            # ポアソン比
+    "t_m": 525e-6,          # 標準ウエハ厚 525 μm
+}
+```
+
+## 6. 多技法融合データ統合
+
+```python
+def merge_characterization_data(xrd_df, afm_df, electrical_df, optical_df,
+                                  sample_id_col="Sample_ID"):
+    """
+    複数の測定手法のデータをサンプル ID で統合する。
+
+    XRD → 結晶子サイズ, 配向度, 格子歪
+    AFM → 表面粗さ Ra, Rq
+    電気 → 比抵抗, シート抵抗
+    光学 → 透過率, バンドギャップ
+    """
+    merged = xrd_df.copy()
+    for df in [afm_df, electrical_df, optical_df]:
+        if df is not None and sample_id_col in df.columns:
+            merged = merged.merge(df, on=sample_id_col, how="left",
+                                 suffixes=("", "_dup"))
+            # 重複カラムを除去
+            dup_cols = [c for c in merged.columns if c.endswith("_dup")]
+            merged.drop(columns=dup_cols, inplace=True)
+
+    return merged
+
+
+def tauc_plot_bandgap(wavelength_nm, transmittance_pct, thickness_nm,
+                       n_exponent=2, figsize=(8, 6)):
+    """
+    Tauc プロットからバンドギャップを推定する。
+
+    (αhν)^(1/n) vs hν のプロットの線形外挿。
+    n=2: 直接遷移, n=0.5: 間接遷移
+
+    Parameters:
+        wavelength_nm: 波長 (nm)
+        transmittance_pct: 透過率 (%)
+        thickness_nm: 膜厚 (nm)
+        n_exponent: 遷移タイプ (2=直接, 0.5=間接)
+    """
+    T = transmittance_pct / 100
+    alpha = -np.log(T + 1e-10) / (thickness_nm * 1e-7)  # cm⁻¹
+
+    h = 6.626e-34   # Planck 定数 (J·s)
+    c = 3e8          # 光速 (m/s)
+    eV = 1.602e-19   # eV → J
+
+    energy_eV = (h * c) / (wavelength_nm * 1e-9) / eV  # hν (eV)
+    tauc = (alpha * energy_eV) ** (1 / n_exponent)
+
+    fig, ax = plt.subplots(figsize=figsize)
+    ax.plot(energy_eV, tauc, "b-", linewidth=1.5)
+    ax.set_xlabel("Photon Energy hν (eV)")
+    ax.set_ylabel(f"(αhν)^(1/{n_exponent})")
+    ax.set_title("Tauc Plot", fontweight="bold")
+    plt.tight_layout()
+    plt.savefig("figures/tauc_plot.png", dpi=300, bbox_inches="tight")
+    plt.close()
+
+    return energy_eV, tauc
+```
+
+## References
+
+### Output Files
+
+| ファイル | 形式 |
+|---|---|
+| `results/structure_zone_statistics.csv` | CSV |
+| `results/xrd_analysis.csv` | CSV |
+| `results/williamson_hall.csv` | CSV |
+| `figures/structure_zone_model.png` | PNG |
+| `figures/xrd_analysis.png` | PNG |
+| `figures/tauc_plot.png` | PNG |
+
+#### 参照実験
+
+- **Exp-13**: 薄膜 PSP（Thornton-Anders SZM、XRD 結晶子サイズ、Stoney 膜応力）
+- **Exp-12**: マテリアルサイエンスのプロセスデータ解析
+- **Exp-11**: ARIM データポータルの材料データ活用