Mechanolumineszenz-Materialien (ML) können mechanische Energie unter mechanischer Anregung in Lichtenergie umwandeln und besitzen ein wichtiges Anwendungspotenzial in Bereichen wie Spannungsensorik und Leuchtgeräten. Die Steuerungsmechanismen der Leuchtleistung sind jedoch komplex und hängen vom Typ und der Konzentration der dotierenden Ionen ab. Zudem erzeugt das Langzeit-Nachleuchten (LPL) ein kontinuierliches Hintergrundlichtgeräusch, das die Extraktion dynamischer Spannungssignale stört und die weitere Leistungsoptimierung der Materialien einschränkt. Diese Arbeit konzentriert sich auf mechanolumineszente Materialien auf Basis von Lithiumtantalat (LiTaO₃) und kombiniert maschinelle Lernmethoden, um datengetriebene Dotierungsoptimierungen und Mechanismusstudien durchzuführen. Durch die Erstellung eines integrierten polynomiellen Bewertungsmodells mit eingeführter Normalisierung wurde vorhergesagt, dass das Referenzsystem LiTaO₃:xTb³⁺ bei Dotierkonzentrationen um 0,6 % und 3 % die beste Gesamtleuchtleistung erzielt. Gleichzeitig können bei Konzentrationen um 0,1 % und 5 % die stärkste LPL-Unterdrückung bzw. die beste ML-Intensität erreicht werden; mithilfe eines Gauß-Prozess-Regressionsmodells (GPR) kombiniert mit einem automatischen Relevanzbestimmungsmechanismus (ARD) wurde die Merkmalsanalyse durchgeführt, wobei die bedeutendsten mikroskopischen Merkmale für die Mechanolumineszenz der Dotationsionenradius, die Gitterverzerrungsrate, die Fallenarbeitstiefe und die Defektkonzentration sind. Darauf basierend wurden die optimalen Konzentrationen verschiedener Co-Dotanten und ihre jeweiligen Leistungen im Referenzsystem vorhergesagt: Die Co-Dotierung mit La³⁺ kann die Nachleuchtintensität um 56,02 % reduzieren; die Co-Dotierung mit Bi³⁺ erhöht die ML-Intensität um 19,96 % und vermindert gleichzeitig die Nachleuchtintensität um 55,20 %. Die besten Co-Dotierungskombinationen für optimale ML- und Gesamtleuchtleistung sind die Systeme Sm³⁺/Tm³⁺ bzw. Pr³⁺/Yb³⁺. Abschließend wurde mithilfe eines symbolischen Regressionsmodells eine explizite algebraische Formel für die Mechanolumineszenz mit maximaler Wahrscheinlichkeit im mikroskopischen Merkmalsraum abgeleitet, die zeigt, dass die Auswahl hochleistungsfähiger Gesamtleuchtmaterialien zwei Grundprinzipien folgen muss: die Wahl von Dotationsionen mit hoher Polarisierbarkeit und deutlichem Ionradiusunterschied zu den Substitutionsstellen im Gitter sowie die Verwendung einer Matrix mit kontrollierbarer und starker Defektaufnahmefähigkeit. Diese Studie bietet eine innovative Lösung für das datengetriebene Dotierungsdesign und die präzise Leistungsregelung mechanolumineszenter Materialien.

Mechanolumineszenz; Co-Dotierung; maschinelles Lernen; LiTaO₃; Gauß-Prozess-Regression