Los materiales mecano-luminiscentes (ML) pueden convertir la energía mecánica en energía luminosa bajo estimulación mecánica, ofreciendo un potencial de aplicación significativo en áreas como la detección de esfuerzo y los dispositivos de luminiscencia. Sin embargo, los mecanismos de regulación del rendimiento luminiscente en función del tipo y la concentración de iones dopantes son relativamente complejos, y la luminiscencia persistente larga (LPL) puede generar ruido de fondo continuo que interfiere en la extracción de señales dinámicas de esfuerzo, limitando la optimización adicional del rendimiento del material. Este estudio se enfoca en materiales mecano-luminiscentes basados en tantalato de litio (LiTaO₃), integrando métodos de aprendizaje automático para llevar a cabo investigaciones sobre la optimización del dopaje y estudios mecanísticos impulsados por datos. Mediante el establecimiento de un modelo polinómico integral de evaluación con normalización, se predijo que el sistema de referencia LiTaO₃∶xTb³⁺ podría alcanzar un rendimiento luminiscente óptimo con concentraciones de dopaje alrededor del 0.6% y 3%, así como supresión máxima de LPL y máxima intensidad de ML con concentraciones alrededor del 0.1% y 5% respectivamente. Utilizando el modelo de regresión por procesos gaussianos (GPR) combinado con el mecanismo ARD (Determinación Automática de Correlación), se llevó a cabo un análisis de características, revelando que las características microscópicas más influyentes en la mecano-luminiscencia son el radio de los iones dopantes, la tasa de deformación de la red, la profundidad de trampa y la concentración de defectos. Con base en esto, se predijo que la introducción de diferentes iones co-dopantes en el sistema de referencia permite determinar concentraciones óptimas y las respectivas condiciones de rendimiento. El co-dopaje con La³⁺ reduce la intensidad de luminiscencia persistente en un 56.02%; el co-dopaje con Bi³⁺ incrementa la intensidad de ML en un 19.96% mientras reduce la intensidad de luminiscencia persistente en un 55.20%. Las combinaciones de co-dopaje óptimas para rendimiento ML y rendimiento luminiscente integral son los sistemas Sm³⁺/Tm³⁺ y Pr³⁺/Yb³⁺, respectivamente. Finalmente, utilizando un modelo de regresión simbólica, se derivó una fórmula algebraica explícita de máxima verosimilitud para la mecano-luminiscencia dentro del espacio de características microscópicas, demostrando que la selección de materiales luminiscentes de alto rendimiento debe seguir dos principios: elegir iones dopantes con baja polarización y radios significativamente diferentes respecto a los sitios de sustitución en la matriz, así como utilizar una matriz que posea una capacidad controlable y eficiente para alojar defectos. Este estudio proporciona un enfoque innovador para el diseño de dopaje basado en datos y regulación precisa del rendimiento de materiales mecano-luminiscentes.

Mecano-luminiscencia; co-dopaje; aprendizaje automático; LiTaO₃; regresión por procesos gaussianos