Материалы с механо-люминесценцией (ML) способны преобразовывать механическую энергию в световую под механическим воздействием, что открывает важный потенциал применения в областях сенсоров напряжения и светящихся устройств. Однако механизмы регулирования световых характеристик сложны и зависят от типа и концентрации допирующих ионов, а длительное послесвечение (LPL) создает постоянный фоновый световой шум, мешающий извлечению динамических сигнальных данных, что ограничивает дальнейшую оптимизацию характеристик материалов. В данной работе внимание уделяется материалам на основе танталата лития (LiTaO₃) с механо-люминесценцией, с применением методов машинного обучения для оптимизации допирования и изучения механизмов на основе данных. Построенная полиномиальная модель с комплексной оценкой и нормализацией позволила предсказать, что базовая система LiTaO₃:xTb³⁺ достигает оптимальных характеристик люминесценции при концентрациях допанта около 0,6% и 3%, при этом на концентрациях около 0,1% и 5% достигается наилучшее подавление LPL и максимальная интенсивность ML соответственно; анализ характеристик был проведен при помощи модели гауссового процесса регрессии (GPR) с автоматическим определением релевантности (ARD), выявив, что наиболее значимыми микрохарактеристиками для ML являются радиус допирующего иона, уровень деформации решетки, глубина ловушек и концентрация дефектов. Исходя из этого, проведены прогнозы оптимальной концентрации различных со-допирующих ионов и соответствующих характеристик для базовой системы: совместное допирование La³⁺ снижает интенсивность послесвечения на 56,02%, совместное допирование Bi³⁺ увеличивает интенсивность ML на 19,96% и одновременно снижает интенсивность послесвечения на 55,20%, при этом оптимальные комбинации совместного допирования для ML и комплексной люминесценции — системы Sm³⁺/Tm³⁺ и Pr³⁺/Yb³⁺ соответственно. Наконец, с помощью модели символической регрессии выведена явная алгебраическая формула ML с максимальной апостериорной вероятностью в пространстве микрохарактеристик, показывающая, что для отбора высокоэффективных материалов следует придерживаться двух правил: выбирать допирующие ионы с высокой поляризуемостью и значительным различием радиусов в замещаемых позициях в матрице, а также использовать матрицу с управляемой и высокой способностью к поглощению дефектов. Данное исследование предлагает инновационный подход к управлению составом и точной настройке свойств материалов с механо-люминесценцией на основе данных.

механо-люминесценция; со-допирование; машинное обучение; LiTaO₃; гауссовский процесс регрессии