Modelle des maschinellen Lernens (ML) in der Materialwissenschaft werden hauptsächlich für die Vorhersage globaler Eigenschaften, wie Bildungsenergie, Bandlücke und Elastizitätsmodul, entwickelt. Daher sind diese Modelle in der Regel unzureichend bei der Beschreibung lokaler Eigenschaften, wie z. B. der molekularen Adsorption an Oberflächen. Hier stellen wir einen auf lokaler Umgebungsinteraktion basierenden ML-Rahmen vor, der eine modifizierte graphbasierte geometrische Voronoi-Tesselierung, eine verbesserte Fingerabdruck-Merkmalstechnik sowie traditionelle ML- und fortschrittliche Deep-Learning-Algorithmen (DL) enthält. Die genaue Charakterisierung kann mit diesem Rahmenwerk zur Darstellung lokaler Informationen der Adsorption von Molekülen auf einer Oberfläche extrahiert werden. Durch die Verwendung von traditionellen ML- und fortgeschrittenen DL-Algorithmen zeigen wir eine bemerkenswerte Vorhersagegenauigkeit und Robustheit bei 0D-, zweidimensionalen (2D) und dreidimensionalen (3D) Katalysatoren. Darüber hinaus zeigt sich, dass der Einsatz dieses Ansatzes den Datenbedarf reduziert und die Rechengeschwindigkeit erhöht, insbesondere bei DL-Algorithmen. Diese Arbeit bietet einen effektiven und universellen ML-Rahmen für verschiedene Anwendungen der molekularen Adsorption, von der Katalyse über Sensoren, Kohlenstoffabscheidung und Energiespeicherung bis hin zur Medikamentenverabreichung, was einen neuen und vielversprechenden Weg auf dem Gebiet der Materialinformatik darstellt. Der Implementierungscode für diese Arbeit ist unter https://github.com/mpeshel/LEI-framework_LERN verfügbar.