La producción y optimización de dispositivos de memoria de trampa de carga basados en HfAlO es central en nuestra investigación. Los métodos actuales de optimización, basados principalmente en la experiencia experimental, son tediosos y consumen mucho tiempo. Examinamos varios parámetros de fabricación y utilizamos los datos resultantes de la ventana de memoria para entrenar algoritmos de aprendizaje automático. Se aplica un modelo optimizado de Regresión de Vectores de Soporte, procesado utilizando el algoritmo Swarm, para la predicción de datos y la optimización de procesos. Nuestro modelo logra un MSE de 0.47, un R de 0.98856 y una precisión de reconocimiento del 90.3% bajo validación cruzada. Los hallazgos subrayan la efectividad de los algoritmos de aprendizaje automático en la optimización del proceso de fabricación de memoria no volátil, lo que permite una selección eficiente de parámetros o predicción de resultados.