Los materiales de luminiscencia mecanoeléctrica (ML) pueden convertir la energía mecánica en energía lumínica bajo estímulos mecánicos, lo que tiene un potencial importante en aplicaciones como sensores de esfuerzo y dispositivos emisores de luz. Sin embargo, los mecanismos de regulación del rendimiento lumínico dependen de manera compleja del tipo y concentración de los iones dopantes, y la luminiscencia persistente prolongada (LPL) genera ruido de fondo continuo que interfiere con la extracción de señales de esfuerzo dinámico, limitando la optimización adicional del rendimiento de los materiales. Este artículo se centra en materiales de ML basados en tantalato de litio (LiTaO₃), combinando métodos de aprendizaje automático para realizar investigaciones basadas en datos sobre la optimización del dopaje y los mecanismos. Mediante la construcción de un modelo polinomial de evaluación integral con normalización introducida, se predijo que el sistema de referencia LiTaO₃: xTb³⁺ puede lograr el mejor rendimiento lumínico integral alrededor de concentraciones de dopaje de 0.6% y 3%; además, en concentraciones cercanas a 0.1% y 5%, se pueden alcanzar la mayor supresión de LPL y la mejor intensidad de ML respectivamente; el análisis de características mediante un modelo de regresión de procesos gaussianos (GPR) combinado con un mecanismo de determinación automática de relevancia (ARD) reveló que las características microscópicas más significativas que afectan la ML son el radio iónico del dopante, la tasa de distorsión de la red, la profundidad de las trampas y la concentración de defectos. Con base en esto, se predijo además la concentración óptima de diferentes co-dopantes introducidos en el sistema de referencia y sus respectivos rendimientos, la co-dopación con La³⁺ puede reducir la intensidad de la luminiscencia en un 56.02%; la co-dopación con Bi³⁺ aumenta la intensidad de ML en un 19.96% mientras reduce la intensidad de la luminiscencia en un 55.20%, siendo las combinaciones óptimas de co-dopantes para el mejor rendimiento de ML y rendimiento lumínico general los sistemas Sm³⁺/Tm³⁺ y Pr³⁺/Yb³⁺ respectivamente. Finalmente, utilizando un modelo de regresión simbólica se derivó una fórmula algebraica explícita de la luminiscencia mecánica con máxima probabilidad en el espacio de características microscópicas, indicando que para seleccionar materiales lumínicos de alto rendimiento integral se deben seguir dos principios: elegir iones dopantes con alta polarizabilidad y con diferencias significativas en el radio iónico respecto a los sitios de sustitución en la matriz, además de seleccionar una matriz con una fuerte capacidad controlada para alojar defectos. Este estudio propone una solución innovadora para el diseño de dopaje impulsado por datos y la regulación precisa del rendimiento de materiales de luminiscencia mecanoeléctrica.

luminiscencia mecanoeléctrica; co-dopaje; aprendizaje automático; LiTaO₃; regresión de procesos gaussianos