荧光寿命是评价发光材料与器件光能转换效率的关键参数，然而，稀土和过渡金属掺杂材料的荧光寿命很容易受到材料结构、缺陷、温度和合成方法的影响，难以精确控制。因此，有必要找到一种有效的预测方法，与实验相结合实现其可控性。为了解决这个问题，课题组针对稀土和过渡金属掺杂发光材料的荧光发射特性，提出了一种创新的机器学习框架，选取Mn⁴⁺/Eu³⁺/Tb³⁺单掺杂多组发光材料进行荧光寿命的分别预测。结果发现该框架可以快速确定掺杂发光材料的荧光寿命，并预测材料结构与发光性能之间的关系。通过构建多特征数据集并系统地评估四个类别的16种机器学习模型，确定了五种高性能算法。其中，贝叶斯优化的随机森林回归在测试数据集上的决定系数R²为0.81，显示出优异的预测性能。此外，通过可解释性分析，深入研究了材料特征与发光寿命之间的关系。这种机器学习框架消除了对实验测量的大工作量需求，为新型稀土和过渡金属掺杂荧光粉的选择和设计提供了一种高效且低成本的方法。这种机器学习的预测方法有助于加速新材料的开发，提高材料性能，并提高其应用潜力，该研究成果被Sensors and Actuators: A. Physical，2025, 394, 116975（IF=4.9) 接受出版！

全文链接：https://doi.org/10.1016/j.sna.2025.116975

Figure1: (a) Schematic diagram of luminescence produced by energy level transition: Mn⁴⁺ ion doping (left) and Eu³⁺ ion doping(right). (b) Flow chart of machine learning to predict the luminescence lifetimes of phosphor materials.

Figure 10 (a) Comparison of predicted luminescence lifetime values and true values using Random Forest Regression and Bayesian optimized Random Forest. (b) Bar chart of MAE, MAPE, and RMSE values for Random Forest Regression and Bayesian optimized Random Forest. (c) Relationship between R² and MAE for Random Forest Regression and Bayesian optimized Random Forest.

Figure11：Comparison of Absolute Percentage Error of Different Algorithms for luminescence lifetime prediction of Tb³⁺-Doped Materials, where CGW stands for CaGd₂(WO₄)_4, CGAB stands for Ca₃Gd(AlO)₃(BO₃)₄, the percentage following represents the doping concentration.