Composition-driven Intelligent Prediction of XPS O 1s Binding Energy and Chemical Shift in Inorganic Materials

FU Ming-kai; WU Xuan; YU Dan-feng; WU Zheng-long

doi:10.12452/j.fxcsxb.26061008

您当前的位置：

首页 >

文章列表页 >

Composition-driven Intelligent Prediction of XPS O 1s Binding Energy and Chemical Shift in Inorganic Materials

更新时间：2026-10-14

- Composition-driven Intelligent Prediction of XPS O 1s Binding Energy and Chemical Shift in Inorganic Materials
- Journal of Instrumental Analysis Vol. 45, Issue 10, Pages: 2162-2170(2026)
- 作者机构：
  
  1.北京师范大学分析测试中心，北京 100875
  2.北京师范大学珠海校区理工实验平台，广东珠海 519087
- 作者简介：
- 基金信息：
- DOI：10.12452/j.fxcsxb.26061008
  CLC： O657.3
- Received：10 June 2026，
  
  Revised：2026-07-20，
  
  Accepted：04 August 2026，
  
  Online First：14 August 2026，
  
  Published：15 October 2026
- 稿件说明：
移动端阅览
付铭凯,吴璇,于丹凤,吴正龙.组成驱动的无机材料XPS O1s结合能与化学位移智能预测[J].分析测试学报,2026,45(10):2162-2170.

FU Ming-kai,WU Xuan,YU Dan-feng,WU Zheng-long.Composition-driven Intelligent Prediction of XPS O 1s Binding Energy and Chemical Shift in Inorganic Materials[J].Journal of Instrumental Analysis,2026,45(10):2162-2170.
付铭凯,吴璇,于丹凤,吴正龙.组成驱动的无机材料XPS O1s结合能与化学位移智能预测[J].分析测试学报,2026,45(10):2162-2170. DOI： 10.12452/j.fxcsxb.26061008.

FU Ming-kai,WU Xuan,YU Dan-feng,WU Zheng-long.Composition-driven Intelligent Prediction of XPS O 1s Binding Energy and Chemical Shift in Inorganic Materials[J].Journal of Instrumental Analysis,2026,45(10):2162-2170. DOI： 10.12452/j.fxcsxb.26061008.

摘要

O 1s XPS结合能是识别无机材料氧化学环境的核心指标，在新能源、催化及合成监测等领域应用广泛，但跨体系峰位指认仍依赖大量验证性实验。该文基于514个含氧无机化合物O 1s结合能数据，构建仅依赖化学式输入的组成驱动机器学习预测框架，用于实验前低成本峰位预估和趋势判断。原始组成描述符下，梯度提升回归（GB）模型测试的平均绝对误差（MAE）为0.505 eV。引入阳离子场强、过渡金属比例等物理启发描述符后，MAE降至0.481 eV，决定系数

升至0.716，平均阳离子半径被识别为关键变量，并得到Ca

（M=Al，Sc，Y） XPS实验结果的支持。在盐/氧化物配对体系中，模型对相对化学位移预测达到MAE=0.339 eV和

=0.822。该方法可为复杂含氧无机材料XPS分析提供低成本、可解释的辅助参考。

Abstract

The O 1s XPS binding energy is a key indicator for identifying oxygen chemical environments in inorganic materials with broad applications in energy materials，catalysis，and synthesis monitoring. However，the cross-system peak assignment relies heavily on extensive validation experiments. In this study，we developed a composition-driven machine learning framework based on O 1s binding energy data from 514 oxygen-containing inorganic compounds. This framework exclusively uses chemical formula inputs for low-cost pre-experimental peak-position estimation and trend assessment. Using the original compositional descriptors，the Gradient Boosting model achieved a test MAE of 0.505 eV. After introducing physically inspired descriptors，including the cation field strength and transition metal fraction，the MAE decreased to 0.481 eV and

increased to 0.71

6. The mean cation radius was identified as a key variable，a finding further supported by the XPS measurements of Ca

（M=Al，Sc，Y）. For the paired salt/oxide systems，the model predicted the relative chemical shifts with an MAE of 0.339 eV and a

of 0.822. This method provides a low-cost and interpretable auxiliary reference for XPS analysis of complex oxygen-containing inorganic materials.

关键词

Keywords

references

Wang Y ， Yue R F . J. Instrum . Anal. （王燕，岳瑞峰. 分析测试学报）， 2001 ， 20 （ 1 ）： 30 - 33 .

Pan Y F ， Li X J ， Yang W C ， Li D ， Liao H P ， Xu Y N . J . Instrum. Anal. （潘燕芳，李晓静，杨文超，李东，廖华平，许燕娜. 分析测试学报）， 2025 ， 44 （ 5 ）： 956 - 967 .

Li X L ， Xie F Y ， Gong L ， Zhang W H ， Yu X L ， Chen J . J . Instrum. Anal. （李晓莉，谢方艳，龚力，张卫红，于晓龙，陈建. 分析测试学报）， 2013 ， 32 （ 5 ）： 535 - 540 .

Feng B ， Chen J Y ， Cheng M . J. Instrum . Anal. （冯波，陈静允，程萌. 分析测试学报）， 2025 ， 44 （ 11 ）： 2408 - 2413 .

Chen J Y ， Huang W . J. Instrum. Anal. （陈晋阳，黄卫. 分析测试学报）， 2002 ， 3 （ 21 ）： 70 - 72 .

Merino N A ， Barbero B P ， Eloy P ， Cadús L E . Appl. Surf. Sci. ， 2006 ， 253 （ 3 ）： 1489 - 1493 .

Wu Z L . J. Instrum . Anal. （吴正龙. 分析测试学报）， 2005 ， 24 （ 3 ）： 45 - 47 .

Dupin J C ， Gonbeau D ， Vinatier P ， Levasseur A . Phys. Chem. Chem. Phys. ， 2000 ， 2 （ 6 ）： 1319 - 1324 .

Bagus P S ， Illas F ， Pacchioni G ， Parmigiani F . J. Electron Spectrosc. Relat. Phenom. ， 1999 ， 100 （ 1/2/3 ）： 215 - 236 .

Zhang S ， Man H Z ， Guo C ， Zhao Y B ， Li Z P . J . Instrum. Anal . （张硕，满瀚泽，郭冲，赵雅彬，李展平. 分析测试学报）， 2025 ， 44 （ 6 ）： 1208 - 1218，1226 .

Huang J J ， Xiang W X ， Xia J Z ， Pan J B . J. Instrum. Anal . （黄娟娟，向万欣，夏婧竹，潘建斌. 分析测试学报）， 2025 ， 44 （ 12 ）： 2526 - 2534 .

Butler K T ， Davies D W ， Cartwright H ， Isayev O ， Walsh A . Nature ， 2018 ， 559 （ 7715 ）： 547 - 555 .

Vakhrushev A A ， Matveev A V ， Nartova A V . Kinet. Catal. ， 2024 ， 65 （ 6 ）： 788 - 796 .

Greczynski G ， Hultman L . Prog . Mater. Sci. ， 2020 ， 107 ： 100591 .

Schmid M ， Steinrück H P ， Gottfried J M . Surf. Interface Anal. ， 2014 ， 46 （ 8 ）： 505 - 511 .

Paruzzo F M ， Hofstetter A ， Musil F ， De S ， Ceriotti M ， Emsley L . Nat. Commun. ， 2018 ， 9 ： 4501 .

Lee A Y ， Powell C J ， Gorham J M ， Morey A ， Scott J H J ， Hanisch R J . Data Sci. J. ， 2024 ， 23 ： 45 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Progress in the Application of Machine Learning Algorithms in Mass Spectrometry Analysis of Per- and Polyfluoroalkyl Substances

A Characterization Method for Synthetic Cathinone New Psychoactive Substances Based on Machine Learning and Gas Chromatography-Mass Spectrometry Techniques

Provenance Discrimination of Castor Beans Based on Energy Feature Fused Machine Learning and High-abundance Metabolites Quantification

Research Progress on Quality Control of Traditional Chinese Medicine Drived by Artificial Intelligence

Simultaneous Determination of 13 Polychlorinated Biphenyls in Honey by Liquid-Liquid Extraction/Gas Chromatography-Triple Quadrupole Mass Spectrometry

Related Author

DING Chao

YE Cheng-fu

ZHAO Jing-qi

ZHAO Lin-lin

XIONG Man-xin

PEI Cong-cong

ZHANG Yan-hao

PENG Zi-fang

Related Institution

College of Ecology and Environment， Zhengzhou University

College of Chemistry，Zhengzhou University

School of Public Health， Zhengzhou University

College of Forensic Science and Technology，Criminal Investigation Police University of China

Key Laboratory of Narcotics Control Technology of Liaoning Province

Address：100 Xianlie Middle Road, Guangzhou Postal code：510070
Tel：020-87684776,37656606 Fax：020-87684776 Email：fxcsxb@china.com
Technical support is provided by Beijing Founder electronics co., LTD 粤ICP备12017312号-3 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.
Total Visits：440789 Visits Today：465 Online Users：10

⁰