日本NTT利用人工智慧(AI)開發了一項光通訊元件之半導體薄膜成膜條件(原料氣體量)自動化計算技術。此項技術透過機械學習累積半導體的物性知識，應用於光通訊元件用半導體材料如InGaAsP(Indium Gallium Arsenide Phosphide)，可自動計算出高效率成膜的條件。藉此將有助於改善化合物半導體結晶的成膜製程效率與降低維護成本，並促進化合物半導體結晶成膜技術的累積與傳承。
光通訊基本是由半導體雷射、光纖、接收器構成，其中半導體雷射與接收器中使用半導體薄膜，在光纖損失較低的1.3或1.55 μm波長附近的發光與吸收可透過InGaAsP實現。NTT過往曾經利用僅需最少試行次數即可找出最佳解答的機械學習手法「貝氏最佳化(Bayesian Optimization; BO)」，成功製作出全球首例的高品質酸化物薄膜SrRuO3。這次進一步在BO中導入了基於物理知識得到之參數與結果的相關性。
既有的BO手法因預測精度不佳，故在達到目標之前需要多次的試行，且由於既有方法將可測量的物理量與原料氣體量之間的關係視為未知函數，可能會產生與實際物理現象不符的預測結果的問題。此次實驗中在原有的BO手法上進行了2項新嘗試以提升預測精度。首先，不是使用可測量的物理量，而是基於半導體物性知識從結晶組成導引出關聯性，並與原料氣體量建立連結。然後是將晶體組成與對應的原料氣體量之間設定為線性關係，只針對偏移線性的部分導入未知函數進行建模。
結果顯示，與過往的BO相比預測精準度確實有所提升。實際進行成膜實驗後，可知從6組教師數據(Training data)中進行數據範圍外的「外插預測」，並在第一次試行中即成功達成目標。在使用7組教師數據進行外插預測，在第3次試行即幾乎達到目標值。今後NTT計畫將新技術導入半導體元件的製造現場，期與合作夥伴共同實現較少試行次數的結晶成膜。另將探討新技術在其他類型半導體材料的應用可能性。