La energía de enlace O 1s en XPS es un indicador clave para identificar el entorno químico del oxígeno en materiales inorgánicos, ampliamente utilizada en campos como nuevas energías, catálisis y monitoreo de síntesis, pero la asignación de picos entre sistemas aún depende de numerosos experimentos de validación. Este artículo, basado en datos de energía de enlace O 1s de 514 compuestos inorgánicos que contienen oxígeno, construye un marco de predicción basado en aprendizaje automático que depende únicamente de la fórmula química, para predecir posiciones de picos con bajo costo y juzgar tendencias antes del experimento. Con los descriptores de composición originales, el error absoluto medio (MAE) del modelo de regresión por potenciación de gradiente (GB) en la prueba es 0.505 eV. La introducción de descriptores físicos inspirados, como la intensidad del campo catiónico y la proporción de metales de transición, reduce el MAE a 0.481 eV, el coeficiente de determinación R² aumenta a 0.716, el radio catiónico promedio se identifica como variable clave, apoyado por resultados experimentales de XPS para Ca₁₄Mg₅M₄O₂₅ (M=Al, Sc, Y). En sistemas emparejados de sales/óxidos, el modelo predice desplazamientos químicos relativos con un MAE=0.339 eV y R²=0.822. Este método puede proporcionar una referencia auxiliar de bajo costo y explicable para el análisis XPS de materiales inorgánicos oxigenados complejos.

análisis verde y eficiente;espectroscopía fotoelectrónica de rayos X;desplazamiento químico;aprendizaje automático;descriptores de composición