Les matériaux à luminescence mécanique (ML) peuvent convertir l'énergie mécanique en énergie lumineuse sous stimulation mécanique, offrant un grand potentiel d'application dans les domaines de la détection de contrainte et des dispositifs lumineux. Cependant, les mécanismes de régulation des performances d'émission sont complexes en fonction du type et de la concentration des ions dopants, et la phosphorescence persistante (LPL) génère un bruit de fond lumineux constant qui perturbe l'extraction des signaux de contrainte dynamique, limitant ainsi l'optimisation des performances des matériaux. Cet article se concentre sur les matériaux à luminescence mécanique à base de tantalite de lithium (LiTaO₃), combinant des méthodes d'apprentissage automatique pour mener des recherches d'optimisation du dopage et des mécanismes basées sur les données. En établissant un modèle polynomial d'évaluation intégrée avec une normalisation, il a été prédit que le système de référence LiTaO₃ : xTb³⁺ peut atteindre les meilleures performances globales d'émission à des concentrations de dopage autour de 0,6% et 3%. Par ailleurs, des concentrations proches de 0,1% et 5% permettent respectivement la meilleure suppression de la LPL et la meilleure intensité de ML ; l'analyse des caractéristiques via un modèle de régression par processus gaussien (GPR) avec un mécanisme de détermination automatique de la pertinence (ARD) a révélé que les caractéristiques microscopiques les plus significatives affectant la luminescence mécanique sont le rayon ionique du dopant, le taux de distorsion du réseau, la profondeur des pièges et la concentration des défauts. Sur cette base, les meilleures concentrations de co-dopants différents introduits dans le système de référence et leurs performances correspondantes ont été prédites : le co-dopage avec La³⁺ réduit l'intensité de la phosphorescence de 56,02% ; le co-dopage avec Bi³⁺ augmente l'intensité de ML de 19,96% tout en réduisant l'intensité de la phosphorescence de 55,20%, avec les meilleures combinaisons de co-dopage pour la performance ML et globale étant les systèmes Sm³⁺/Tm³⁺ et Pr³⁺/Yb³⁺ respectivement. Enfin, un modèle de régression symbolique a permis de dériver une formule algébrique explicite de la luminescence mécanique avec une vraisemblance maximale dans l'espace des caractéristiques microscopiques, indiquant que la sélection de matériaux à performance intégrée élevée doit suivre deux règles principales : choisir des ions dopants à forte polarisabilité et à différence significative de rayon ionique par rapport aux sites de substitution dans la matrice, ainsi que choisir une matrice avec une forte capacité contrôlable d'accueil des défauts. Cette étude propose une solution innovante pour la conception du dopage et la régulation précise des performances des matériaux à luminescence mécanique basée sur les données.

luminescence mécanique; co-dopage; apprentissage automatique; LiTaO₃; régression par processus gaussien