En utilisant un revêtement de couche atomique sur les particules d'ingrédients pharmaceutiques actifs (API), sa surface peut être personnalisée et peut améliorer les performances des particules API. L'équipe de matériel d'Applied a conçu un outil interne pour réaliser le revêtement sur ces particules à grande surface.
En tant qu'expérimentateurs, notre rôle principal dans le projet est d'optimiser la recette et, sur la base des données obtenues, de fournir un retour d'information à l'équipe matérielle pour une meilleure conception. Dans cette présentation, nous discutons de deux ensembles de données de processus obtenus à partir de différentes conceptions de l'une des pièces matérielles. L'objectif est de comparer les deux ensembles de données et de trouver la conception avec une variation minimale. Pour cela, nous utilisons des outils dans JMP tels que les histogrammes et l'ajustement continu pour voir la distribution des paramètres de processus et le type de distribution pour les deux cas. Un graphique quantile normal est utilisé pour vérifier toute variation dans la normalité de l'ensemble de données. L'analyse des valeurs aberrantes est effectuée à l'aide d'Explore Outlier dans JMP, permettant une analyse unidirectionnelle pour la comparaison des données. Avec les données obtenues, la meilleure option est choisie et proposée pour une mise à niveau. L'exploration des valeurs aberrantes permet de déterminer la variation de l'ensemble de données.
Bonjour à tous. Je m'appelle Neha Gupta et je travaille chez Applied Materials, India Private Limited. Un bref aperçu avant de commencer cette présentation. C'est comme si j'étais un ingénieur de procédés qui travaille pour ce projet de R&D, un projet de recherche et développement dans le domaine des matériaux appliqués.
Pour cette étude actuelle dont le titre va avec la revue, le changement du paramètre de processus avec le changement de la couche matérielle est l'une des études que nous avons réalisées. Avant de commencer la présentation, je voudrais remercier l'équipe JMP qui m'a donné l'occasion de parler de cette présentation, de ce travail.
Sur ce, je vais commencer ma présentation. Comme je l'ai mentionné, je travaille pour Applied Materials India Private Limited, une société spécialisée dans le secteur des semi-conducteurs, et qui possède une expertise dans le domaine du revêtement par couches atomiques. Nous avons essayé d'utiliser ce revêtement par couches atomiques sur un marché adjacent, à savoir le secteur pharmaceutique.
Nous avons essayé de mettre à profit notre expertise en matière de revêtement par couche atomique sur les particules pharmaceutiques et d'améliorer leurs propriétés, les propriétés des particules pharmaceutiques verticales. Grâce à cela, nous avons déjà une preuve de concept. Nous avons déjà montré à petite échelle que si nous appliquons le revêtement ALC sur les particules, nous pouvons améliorer leur fluidité, leur biodisponibilité, etc.
Maintenant, il nous faut passer à l'échelle supérieure. Pour l'instant, avant d'entrer dans les détails du JMP, je dirais que ce que nous avons fait, c'est que nous utilisons le JMP comme un outil pour expliquer notre domaine technique, notre expertise technique, nos découvertes techniques, et le JMP nous a aidés dans ce sens. Comme je l'ai mentionné, pour ce revêtement de particules, nous pouvons améliorer les propriétés de la particule.
Notre produit final, notre objectif ultime, c'est le revêtement. La qualité du revêtement doit être bonne. Si la qualité du revêtement est bonne, nous pouvons faire beaucoup mieux. Cette qualité du revêtement est également influencée par de multiples paramètres. Dans le JMP, nous disposons d'un très bon outil pour montrer ce que l'on appelle un diagramme de cause à effet.
En tant que profane, si je veux montrer quelque chose comme mon produit final et que cela va être impacté par les multiples paramètres ou facteurs, comment vais-je le montrer ? C'est la première chose. C'est le diagramme de cause à effet où j'ai montré que la qualité de mon revêtement est impactée par mon procédé, mon agitation de la poudre, car il s'agit d'une surface importante.
L'ALD classique est appliqué sur le remplissage, pas sur la poudre. Dans la poudre, la surface est beaucoup plus élevée que dans le remplissage fin. Dans ce cas, le paramètre de processus, l'impact du PADL, l'agitation de la poudre, la façon dont vous mettez la chimie en place pour les réactions, la façon dont vous éliminez les résidus, puis le rôle de cette distance entre ces deux éléments, et quel est l'impact de la température sur l'ensemble de la chimie.
Voici quelques paramètres qui ont un impact sur la qualité du revêtement. Maintenant, si je dis que c'est un paragraphe, personne ne peut comprendre. Mais si je montre ce diagramme, le diagramme de cause à effet, c'est une bien meilleure façon de l'expliquer, que nous avons utilisé jusqu'à présent.
Pour revenir à mon point de départ, la qualité du revêtement est influencée par les six paramètres. Pour l'instant, nous nous sommes concentrés sur l'espace de tête, car le processus a déjà été défini. Nous avons déjà montré cette petite échelle comme preuve de concept. Notre processus est déjà défini. Maintenant, la pièce est le matériel. Maintenant, quel rôle le matériel jouera-t-il ?
Supposons que vous avez une particule posée sur la base et que vous avez le système d'injection de gaz ou que vous avez une chimie qui y pénètre. Si cela prend beaucoup de temps pour atteindre ce niveau, ou si cela prend moins de temps, cela aura un impact sur vos paramètres de processus, votre pression, votre élimination des résidus, tout changera avec cette distance. Cette distance correspond essentiellement à ce que nous testons avec notre banc d'essai.
Nous appelions cet outil un banc d'essai où nous pouvons utiliser les différentes architectures. Cette architecture est fondamentalement la conception du plomb dans la chambre où nous allons mettre ou réduire l'espace de tête de la conception du plomb avec le premier plomb et celui-ci qui est le creux qui peut augmenter la taille de l'espace de tête. Si l'espace de tête est plus grand, la chimie est plus élevée, l'élimination des résidus peut être moindre, ou peut-être pas. C'est ce que nous devons vérifier.
Pour cela, avec cette préoccupation, nous avons commencé à voir l'impact de la conception du plomb sur la qualité du revêtement. Avec cela, nous avons collecté les données pour cette chose particulière. Pendant que nous avons exécuté cette recette, lorsque nous essayons de revêtir une particule, nous avons certains paramètres à saisir, et ces paramètres nous les avons enregistrés, et nous les avons utilisés pour l'analyse.
En cela, la première chose est le changement de pression. Si la distance est plus grande, peut-être que s'il y a plus de réaction, si le temps d'assise est plus long, le temps de séjour de la chimie sera plus élevé, ce changement de pression sera plus élevé.
Cela peut être observé avec le contrôle de normalité, ce changement de pression entre deux dérivations, ce que nous avons pris. Nous avons vu s'il y a un changement par rapport au cycle, si nous augmentons le cycle, soit il augmente beaucoup, soit il augmente moins. Pour cela, dans le JMP, nous avons utilisé le contrôle de normalité et les caillots de boîte pour identifier la valeur aberrante.
C'est la beauté de JMP. Vous ne pouvez pas vous contenter de détecter la valeur aberrante, vous pouvez également en obtenir la cause première en ajustant Y par X. Ce Y par X, vous pouvez ajuster l'ajustement polynomial linéaire, quelle relation votre valeur aberrante a avec votre propre ensemble de données. Avec cela, nous pouvons la reconnaître, ou nous pouvons identifier quelle est la cause première de la valeur aberrante.
La troisième étape a été [inaudible 00:06:14], où nous avons comparé ces deux ensembles de données de conception, ce que nous avons collecté. Ensuite, nous avons confirmé notre hypothèse, ce que nous avons techniquement dit, que soit c'est juste, soit c'est comme ça que ça va se passer. Sur ce, je reviendrai à mes résultats.
Au début, comme je l'ai mentionné, nous avons deux conceptions. Dans la première conception, il s'agit de l'espace de tête supérieur, qui est connu sous le nom de conception, que nous avons appelé conception 1. L'autre conception est la conception 2, que vous pouvez voir ici, où les données sont plus uniformes ou normales. Vous direz qu'il y a très peu de différenciation.
Mais ici, si vous regardez dans la conception et si vous regardez le diagramme en boîte correspondant, si vous voyez qu'il y a beaucoup de valeurs aberrantes, vous pouvez voir qu'il y en a aussi. Maintenant, pour revenir au sujet, alors que nous avons fait le test des valeurs aberrantes, qui est un outil très puissant dans le JMP, où nous pouvons changer le facteur Q et changer le quantile de queue pour vérifier ou compacter votre plage de spécifications, ce que vous allez dire est votre valeur aberrante. Soit c'est une valeur aberrante marginale, soit c'est une valeur aberrante de processus, soit c'est une valeur aberrante extrême.
Dans notre cas, nous recherchons la valeur aberrante extrême. Cette valeur aberrante extrême, nous ne l'avons trouvée que dans la conception 1, et non dans la conception 2, qui présente le moins d'espace de tête. Ce moins d'espace de tête ne montre aucune valeur aberrante. Nous aborderons cette question plus tard.
Mais avant cela, je dirais qu'avec les valeurs extrêmes, nous avons juste essayé de trouver la cause fondamentale. Nous avons essayé d'ajuster avec l'ajustement linéaire Y par X, l'ajustement polynomial, différents degrés dans l'ajustement polynomial. Mais ce que nous avons pu comprendre, c'est que rien ne fonctionne pour ces deux raisons particulières, ni l'ajustement linéaire des rayons ni l'ajustement polynomial. Nous avons ensuite découvert qu'il existe un autre point appelé analyse de densité de cluster non paramétrique, qui est la signification.
Bien qu'il s'agisse d'une méthode non paramétrique, l'intervalle de confiance sera de 95 % par rapport à la méthode paramétrique. C'est très bien. Mais pour l'instant, cela montre que l'étude actuelle est basée sur deux modèles différents, car il existe deux groupes différents, comme vous pouvez le voir ici. Ces deux groupes sont différents l'un de l'autre, et ce groupe va essentiellement vous indiquer que deux mécanismes sont en jeu.
Si je relie cela à ma théorie technique, ce sera comme si au départ le processus était censé augmenter de manière linéaire ou avec une pente distincte, mais ensuite il a été déplacé. Globalement, le processus a été dérivé. C'est ce qui nous préoccupe techniquement. En tant que technicien, si vous pensez que dans la chambre, si vous avez un espace de tête plus élevé, cela signifie que si votre distance est trop grande entre la poudre et le retrait de la chimie ou l'injection de votre chimie, si elle est trop élevée, le temps de séjour de la chimie et les résidus sera très élevé, ce qui peut avoir un impact non pas sur le cycle initial, mais sur le cycle ultérieur, cela peut avoir un impact important.
Cela peut dériver vers un processus complet car c'est le processus de construction. Une couche se formera, puis une deuxième couche se formera, puis une troisième couche se formera. Si c'est la structure par couche, votre première couche a beaucoup de condensation, alors la couche supérieure dérivera beaucoup. C'est l'hypothèse que nous avons prise. Avec cela, lorsque nous avons tracé à l'aide du graphique de contrôle, qui est encore une fois l'un des outils étonnants où nous avons vu la plage de déplacement par rapport au cycle.
Si vous voyez ici dans la plage mobile, les cycles initiaux, si vous voyez que le cycle initial est à un niveau différent, et soudainement il y a un changement soudain, en fait, une chute soudaine, je dirais, une chute soudaine dans la plage mobile, ce qui confirme encore une fois la dérive du processus.
Fondamentalement, l'hypothèse et ces données dans leur ensemble suggéraient que le processus avait démarré normalement. Le processus a démarré normalement avec les premiers cycles. Mais comme il y a beaucoup d'espace libre, le temps de séjour est plus élevé, c'est pourquoi ce processus a été décalé. C'est pourquoi il pose de nombreux problèmes dans la qualité du revêtement. Lorsque nous avons comparé cela à l'ANOVA, nos données expérimentales indiquent également la même chose.
Il s'agit de la preuve statistique de la même hypothèse, du mécanisme en jeu. Bien que le revêtement se dégrade dans le cas de la conception 1, quel en est le mécanisme ? Pour prouver ce mécanisme, ce processus a été dévié, c'est ce que nous pouvons également voir avec ce graphique de plage mobile.
Enfin, nous avons comparé ces deux pistes avec l'ANOVA à sens unique et avons simplement essayé de voir, statistiquement, si elles sont identiques ou différentes. D'un point de vue statistique, bien que nous ayons fait l'analyse à sens unique, ces deux pistes sont très éloignées l'une de l'autre. Cette analyse a montré que notre hypothèse selon laquelle ces deux variantes sont identiques a échoué. C'est pourquoi je dirais que ces deux pistes ne sont pas similaires.
Dans l'ensemble, la conclusion de cette étude, JMP, nous l'avons utilisée comme outil pour montrer que nous avons une hypothèse selon laquelle la qualité du revêtement dans la conception 1 est médiocre en raison de la dérive du processus. Cela peut être confirmé, et c'est confirmé par le graphique de plage mobile. Il y a beaucoup de valeurs aberrantes, ce qui est, encore une fois, suggéré par l'ajustement de modèles multiples que nous avons montré. Enfin, ces deux pistes ne sont pas identiques.
Enfin, si je devais conclure cette présentation, je dirais en quoi cela m'est utile en tant qu'ingénieur de processus. Si j'ai fait un travail, si j'ai collecté mes données, si j'ai analysé mes données, si je sais comment cela fonctionne, je dois aussi dire comment je vais le communiquer à mes parties prenantes ou à mes clients. Dans ce sens, je dois montrer ou je dois avoir des données à l'appui.
J'ai ces données et avec cela, je suis capable de convaincre que l'hypothèse du processus de dérive est due à l'espace de tête plus élevé, et nous sommes capables de prendre une décision avec cela, le nouvel outil, lorsqu'il apparaîtra, l'espace de tête devrait être réduit et ira avec la conception.
Cet outil JMP m'a aidé à démontrer ou à prouver mon hypothèse et à prendre une décision quant à la conception correcte. Tout cela concerne mon outil. Enfin, je voudrais remercier les membres de mon équipe, mon instructeur, Charles, et mon mentor, Sukhti. Enfin, merci à l'équipe JMP de m'avoir donné une chance une fois de plus. Merci.
