Materiais de luminescência mecanoelétrica (ML) podem converter energia mecânica em energia luminosa sob estímulo mecânico, apresentando potencial importante em áreas como sensores de tensão e dispositivos emissores de luz. No entanto, o mecanismo de regulação do desempenho luminiscente é complexo, dependendo do tipo e da concentração dos íons dopantes, e a fosforescência persistente (LPL) gera ruído de fundo contínuo que interfere na extração de sinais dinâmicos de tensão, limitando a otimização do desempenho dos materiais. Este artigo foca em materiais de luminescência mecanoelétrica à base de tantalato de lítio (LiTaO₃), combinando métodos de aprendizado de máquina para conduzir pesquisas baseadas em dados sobre otimização de dopagem e mecanismos. Ao estabelecer um modelo polinomial de avaliação integrada com tratamento de normalização introduzido, previu-se que o sistema padrão LiTaO₃:xTb³⁺ pode alcançar o melhor desempenho luminiscente integrado em concentrações de dopagem próximas de 0,6% e 3%, enquanto em concentrações próximas de 0,1% e 5% podem ser alcançados o melhor efeito de supressão da LPL e a maior intensidade de ML, respectivamente; a análise de características usando modelo de regressão por processo gaussiano (GPR) combinado com mecanismo de decisão de relevância automática (ARD) revelou que as características microscópicas mais significativas que afetam a luminescência mecanoelétrica são o raio iônico do dopante, a taxa de distorção da rede, a profundidade das armadilhas e a concentração de defeitos. Com base nisso, foram previstas as melhores concentrações de diferentes co-dopantes introduzidos no sistema padrão e seus respectivos desempenhos, o co-dopagem com La³⁺ pode reduzir a intensidade da fosforescência em 56,02%; o co-dopagem com Bi³⁺ aumenta a intensidade de ML em 19,96%, ao mesmo tempo em que reduz a intensidade da fosforescência em 55,20%, sendo as combinações de co-dopagem com melhor desempenho de ML e desempenho luminiscente integrado os sistemas Sm³⁺/Tm³⁺ e Pr³⁺/Yb³⁺, respectivamente. Por fim, utilizando modelo de regressão simbólica, derivou-se uma fórmula algébrica explícita da luminescência mecanoelétrica de máxima verossimilhança no espaço das características microscópicas, indicando que a seleção de materiais luminiscentes de alto desempenho integrado deve seguir dois princípios principais: escolher íons dopantes com alta polarizabilidade e diferenças significativas no raio iônico em relação aos sítios de substituição na matriz, assim como usar uma matriz com forte capacidade de acomodação de defeitos controlável. Este estudo oferece uma solução inovadora para o design de dopagem baseado em dados e controle preciso do desempenho de materiais de luminescência mecanoelétrica.

luminescência mecanoelétrica; co-dopagem; aprendizado de máquina; LiTaO₃; regressão por processo gaussiano