Die O 1s Bindungsenergie in der XPS ist ein zentraler Indikator zur Identifizierung der chemischen Umgebung von Sauerstoff in anorganischen Materialien, der in den Bereichen Neue Energien, Katalyse und Synthesemonitoring weit verbreitet ist. Die Peakzuordnung über verschiedene Systeme hinweg beruht jedoch weiterhin auf umfangreichen Validierungsexperimenten. In dieser Arbeit wird auf Basis von Bindungsenergiedaten von 514 sauerstoffhaltigen anorganischen Verbindungen ein zusammensetzungsgetriebener maschineller Lernrahmen entwickelt, der nur auf chemische Formeleingaben angewiesen ist und zur kostengünstigen Vorhersage von Peakpositionen vor dem Experiment und zur Trendbewertung dient. Mit den ursprünglichen zusammensetzungsbasierten Deskriptoren lag der mittlere absolute Fehler (MAE) des Gradient-Boosting-Regressionsmodells (GB) im Test bei 0,505 eV. Nach Einführung physikalisch inspirierter Deskriptoren wie Kationenfeldstärke und Übergangsmetallanteil sank der MAE auf 0,481 eV, der Bestimmtheitskoeffizient R² stieg auf 0,716, der mittlere Kationsradius wurde als Schlüsselvariable identifiziert und durch XPS-Experimentergebnisse von Ca₁₄Mg₅M₄O₂₅ (M= Al, Sc, Y) gestützt. In Salz-/Oxid-Paarungssystemen erreichte das Modell eine Vorhersage des relativen chemischen Verschiebungswertes mit MAE=0,339 eV und R²=0,822. Diese Methode kann eine kostengünstige und erklärbare unterstützende Referenz für die XPS-Analyse komplexer sauerstoffhaltiger anorganischer Materialien bieten.

Grüne effiziente Analyse;Röntgen-Photoelektronenspektroskopie;Chemische Verschiebung;Maschinelles Lernen;Zusammensetzungsdeskriptoren