Mechanolumineszenz (ML)-Materialien können mechanische Energie unter mechanischer Anregung in Lichtenergie umwandeln und bieten somit ein großes Anwendungspotenzial in Bereichen wie Spannungsdetektion und Beleuchtungsgeräten. Allerdings sind die Mechanismen zur Regulierung der Lichtleistung in Abhängigkeit von Typ und Konzentration der Dotierungsionen relativ komplex. Die Langzeit-Nachleuchtkraft (LPL) kann kontinuierliches Hintergrundrauschen erzeugen, welches die Extraktion dynamischer Spannungssignale stört und die weitere Optimierung der Materialleistung einschränkt. Diese Studie konzentriert sich auf mechanolumineszente Materialien auf der Basis von Lithiumtantalat (LiTaO₃) und integriert maschinelles Lernen zur datengetriebenen Dotierungsoptimierung und Mechanismusforschung. Durch die Etablierung eines umfassenden Bewertungs-Polynommodells mit Normierung wurde vorhergesagt, dass das Referenzsystem LiTaO₃∶xTb³⁺ bei Dotierungskonzentrationen um 0.6% und 3% optimale Gesamtlichtleistung erreicht, während maximale LPL-Unterdrückung und stärkste ML-Intensität bei Konzentrationen um 0.1% und 5% erreicht werden können. Mit einem Gauß-Prozess-Regressionsmodell (GPR) und dem automatischen Korrelation-Entscheidungsmechanismus (ARD) wurden die wichtigsten Mikrocharakteristika analysiert, die die Mechanolumineszenz beeinflussen, darunter der Radius der Dotierungsionen, das Kristallgitterverzerrungsverhältnis, die Falle-Tiefe und die Defektkonzentration. Auf dieser Basis wurden optimale Konzentrationen und zugehörige Leistungen für unterschiedliche Co-Dotierungsionen im Referenzsystem vorhergesagt. Co-Dotierung mit La³⁺ reduziert die Nachleuchtkraft um 56.02%, während Bi³⁺-Co-Dotierung die ML-Intensität um 19.96% erhöht und zugleich die Nachleuchtkraft um 55.20% senkt. Die optimalen Co-Dotierungskombinationen für ML- und Gesamtlichtleistung sind die Systeme Sm³⁺/Tm³⁺ bzw. Pr³⁺/Yb³⁺. Schließlich wurde mit einem Symbol-Regressionsmodell eine explizite algebraische Formel für die Mechanolumineszenz im Mikroeigenschaftsraum abgeleitet und gezeigt, dass die Auswahl von Hochleistungslichtmaterialien zwei Hauptprinzipien erfüllen muss: die Auswahl von Dotierungsionen mit geringer Polarisation und stark abweichenden Radien im Vergleich zu den Matrix-Site-Ionen sowie die Anwendung einer Matrix mit einer kontrollierbaren und starken Defektspeicherfähigkeit. Diese Studie bietet einen innovativen Ansatz für datengetriebene Dotierungsdesigns und präzise Leistungsregulierung mechanolumineszenter Materialien.

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