Die O 1s-Bindungsenergie in XPS ist ein zentraler Indikator zur Identifizierung der chemischen Sauerstoffumgebung in anorganischen Materialien und wird weitreichend in den Bereichen erneuerbare Energien, Katalyse und Syntheseüberwachung eingesetzt. Die Peakzuordnung zwischen verschiedenen Systemen beruht jedoch weiterhin auf umfangreichen Validierungsexperimenten. Basierend auf Daten der O 1s-Bindungsenergie von 514 sauerstoffhaltigen anorganischen Verbindungen wurde ein maschinelles Lernmodell entwickelt, das ausschließlich auf chemischer Formeleingabe basiert und zur kostengünstigen Abschätzung von Peakpositionen und Trendbewertung vor Experimenten dient. Unter Verwendung der ursprünglichen Zusammensetzungsdeskriptoren liegt der mittlere absolute Fehler (MAE) des getesteten Gradient-Boosting-Regression (GB)-Modells bei 0,505 eV. Mit der Einführung physikalisch inspirierter Deskriptoren wie Kationenfeldstärke und Übergangsmetallanteil sank der MAE auf 0,481 eV, der Bestimmtheitsmaß R² stieg auf 0,716, der mittlere Kationenradius wurde als Schlüsselfaktor identifiziert, unterstützt durch XPS-Experimentergebnisse für Ca₁₄Mg₅M₄O₂₅ (M=Al, Sc, Y). In Salz-/Oxid-Paarungssystemen prognostiziert das Modell relative chemische Verschiebungen mit MAE=0,339 eV und R²=0,822. Diese Methode bietet eine kostengünstige und interpretierbare Hilfestellung für die XPS-Analyse komplexer sauerstoffhaltiger anorganischer Materialien.

grüne effiziente Analyse;Röntgen-Photoelektronenspektroskopie;chemische Verschiebung;maschinelles Lernen;Zusammensetzungsdeskriptoren