Les matériaux mécano-luminescents (ML) peuvent convertir l'énergie mécanique en énergie lumineuse sous stimulation mécanique, présentant ainsi un potentiel d'application important dans les domaines tels que la détection de contrainte et les dispositifs lumineux. Cependant, les mécanismes de régulation des performances lumineuses en fonction du type et de la concentration des ions dopants restent relativement complexes, et la luminescence résiduelle prolongée (LPL) peut générer un bruit de fond persistant qui perturbe l'extraction des signaux de contrainte dynamiques, limitant ainsi l'amélioration des performances des matériaux. Cet article se concentre sur les matériaux mécano-luminescents à base de tantalite de lithium (LiTaO₃) et intègre des méthodes d'apprentissage automatique pour mener des études sur l'optimisation du dopage et les mécanismes basés sur les données. En établissant un modèle polynomial global d'évaluation avec normalisation, il a été prédit que le système de référence LiTaO₃∶xTb³⁺ pourrait atteindre une performance lumineuse globale optimale avec des concentrations de dopage autour de 0.6% et 3%, et que les effets maximaux de suppression de LPL et l'intensité ML la plus forte peuvent être atteints avec des concentrations autour de 0.1% et 5% respectivement. À l'aide du modèle de régression de processus gaussiens (GPR) combiné au mécanisme de détermination par corrélation automatique (ARD), une analyse des caractéristiques a révélé que les caractéristiques microscopiques influençant le plus la mécano-luminescence étaient le rayon des ions dopants, le taux de distorsion du réseau cristallin, la profondeur de piégeage et la concentration de défauts. Sur cette base, les concentrations optimales des différents ions co-dopants et leurs performances correspondantes dans le système de référence ont été prédits. Le co-dopage avec La³⁺ peut réduire l'intensité de la luminescence résiduelle de 56.02%; le co-dopage avec Bi³⁺ peut augmenter l'intensité ML de 19.96% tout en réduisant l'intensité de la luminescence résiduelle de 55.20%. Les combinaisons co-dopantes optimales pour la performance ML et la performance lumineuse globale sont respectivement le système Sm³⁺/Tm³⁺ et le système Pr³⁺/Yb³⁺. Enfin, en utilisant un modèle de régression symbolique, une formule algébrique explicite de maximisation de la vraisemblance pour la mécano-luminescence dans l'espace des caractéristiques microscopiques a été déduite, démontrant que la sélection des matériaux lumineux hautes performances doit suivre deux règles principales : choisir des ions dopants de faible polarisation avec des rayons de différence significative par rapport aux sites de substitution de la matrice, et utiliser une matrice capable d'accueillir des défauts de manière contrôlable et efficace. Cette étude propose une approche innovante pour le dopage basé sur les données et la régulation précise des performances des matériaux mécano-luminescents.

Mécano-luminescence; co-dopage; apprentissage automatique; LiTaO₃; régression de processus gaussiens