기계유도발광(ML) 재료는 기계적 자극 하에서 기계 에너지를 빛 에너지로 변환할 수 있어 응력 센서 및 발광 장치 등 분야에서 중요한 응용 잠재력을 갖고 있습니다. 그러나 도핑 이온의 종류 및 농도에 따른 발광 성능 조절 메커니즘은 복잡하며, 장시간 발광(LPL)은 지속적인 배경광 잡음을 발생시켜 동적 응력 신호 추출을 방해하여 재료 성능의 추가 최적화를 제한합니다. 본 논문은 탄탈산리튬(LiTaO₃) 기반 기계유도발광 재료에 주목하여 머신러닝 방법을 결합한 데이터 기반 도핑 최적화 및 메커니즘 연구를 수행하였습니다. 정규화 처리가 도입된 종합 평가 다항식 모델을 구축하여, 기준 시스템 LiTaO₃:xTb³⁺가 각각 0.6% 및 3% 근처에서 최적의 종합 발광 성능을 갖고, 0.1% 및 5% 근방에서는 각각 가장 강한 LPL 억제 효과와 최고의 ML 세기를 실현할 수 있음을 예측하였습니다; 자동 관련성 결정(ARD) 메커니즘이 결합된 가우스 프로세스 회귀(GPR) 모델을 이용한 특성 분석을 통해, 기계유도발광에 가장 큰 영향을 미치는 미세 특성은 도핑 이온 반경, 격자 왜곡률, 함정 깊이 및 결함 농도임을 밝혔습니다. 이를 바탕으로 기준 시스템에 다양한 공동 도핑 이온을 도입한 최적 농도 및 대응 성능을 추가로 예측하였으며, La³⁺ 공동 도핑은 잔광 강도를 56.02% 감소시키고, Bi³⁺ 공동 도핑은 ML 강도를 19.96% 향상시키는 동시에 잔광 강도를 55.20% 감소시키는 것으로 나타났으며, ML 성능과 종합 발광 성능이 최적인 공동 도핑 조합은 각각 Sm³⁺/Tm³⁺계 및 Pr³⁺/Yb³⁺계임을 확인하였습니다. 마지막으로, 심볼릭 회귀 모델을 이용해 미세 특성 공간에서 최대 우도 기계유도발광 명시적 대수식을 도출하였으며, 고성능 종합 발광 소재 선별을 위해서는 고분극율이면서 기지체 치환 위치 이온 반경 차이가 큰 도핑 이온 선택과 제어 가능하며 강력한 결함 수용 능력을 갖춘 기지체 선택이라는 두 가지 원칙을 따라야 함을 제시하였습니다. 본 연구는 기계유도발광 재료의 데이터 기반 도핑 설계 및 성능 정밀 조절을 위한 혁신적 방안을 제공하였습니다.

기계유도발광; 공동 도핑; 머신러닝; LiTaO₃; 가우스 프로세스 회귀