Utilizzando un rivestimento a strato atomico su particelle di principio attivo farmaceutico (API), la sua superficie può essere personalizzata e può migliorare le prestazioni delle particelle API. Il team hardware di Applied ha progettato uno strumento interno per rivestire queste particelle ad alta area superficiale.
Come sperimentatori, il nostro ruolo principale nel progetto è l'ottimizzazione della ricetta e, in base ai dati ottenuti, forniamo feedback al team hardware per una migliore progettazione. In questa presentazione, discutiamo due set di dati di processo ottenuti da diversi progetti di una delle parti hardware. L'obiettivo è confrontare i due set di dati e trovare il progetto con la minima variazione. Per questo, utilizziamo strumenti in JMP come istogrammi e adattamento continuo per vedere la distribuzione dei parametri di processo e il tipo di distribuzione per entrambi i casi. Un grafico quantile normale viene utilizzato per verificare qualsiasi variazione nella normalità del set di dati. L'analisi degli outlier viene eseguita utilizzando Explore Outlier in JMP, consentendo un'analisi unidirezionale per il confronto dei dati. Con i dati ottenuti, viene scelta l'opzione migliore e proposta per l'aggiornamento. L'esplorazione degli outlier aiuta a determinare la variazione nel set di dati.
Salve a tutti. Sono Neha Gupta e lavoro presso Applied Materials, India Private Limited. Un breve background prima di iniziare questa presentazione. È come se fossi un Process Engineer, che lavora per questo progetto di R&S, progetto di ricerca e sviluppo nel settore dei materiali applicati.
Per questo studio attuale, il cui titolo accompagna la revisione, Change of the Process Parameter with the Hardware Layer Change è uno degli studi, ciò che abbiamo fatto. Prima di iniziare la presentazione, vorrei ringraziare il team JMP che mi ha dato la possibilità di parlare di questa presentazione, di questo lavoro.
Con questo, inizierò la mia presentazione. Come ho detto, lavoro in Applied Materials India Private Limited, che è l'industria dei semiconduttori, e ha la competenza del rivestimento a strati atomici. Quello che abbiamo cercato di fare è usare questo rivestimento a strati atomici nel campo di mercato adiacente, che è il campo farmaceutico.
Ciò che abbiamo cercato di fare è stato prendere la nostra competenza di rivestimento a strati atomici sulle particelle farmaceutiche e cercare di migliorarne le proprietà, le proprietà delle particelle verticali farmaceutiche. Con ciò, abbiamo già una prova di concetto. Abbiamo già dimostrato su piccola scala che se faremo il rivestimento ALC sulle particelle, possiamo migliorarne la scorrevolezza, la biodisponibilità e così via.
Ora il compito è fare l'aumento di scala. Per ora, prima di entrare nei dettagli del JMP, direi che questo è ciò che abbiamo fatto, usiamo il JMP come strumento per spiegare la nostra area tecnica, la nostra competenza tecnica, le nostre scoperte tecniche, e il JMP ci ha supportato in questo. Come ho detto, per questo rivestimento di particelle, possiamo migliorare le proprietà della particella.
Il nostro prodotto finale, il nostro obiettivo finale è il rivestimento. La qualità del rivestimento deve essere buona. Se la qualità del rivestimento è buona, possiamo fare molto meglio. Questa qualità del rivestimento è anche influenzata da parametri multipli. Nel JMP, abbiamo un ottimo strumento per mostrare ciò che è chiamato diagramma causa-effetto.
Da profano in persona, se voglio mostrare qualcosa che questo è il mio prodotto finale e che sarà influenzato da molteplici parametri o fattori, come lo mostrerò? Questa è una cosa. Questo è il diagramma causa-effetto in cui ho mostrato che la qualità del mio rivestimento è influenzata dal mio processo, dalla mia agitazione della polvere, perché questa è un'area superficiale elevata.
Solo l'ALD convenzionale è sul riempimento, non sulla polvere. Nella polvere, l'area superficiale è molto, molto più alta del riempimento sottile. In quel caso, il parametro di processo, l'impatto PADL, l'agitazione della polvere, come si inserisce la chimica per le reazioni, come si ottengono i residui e quindi come questa distanza tra questi due sta giocando il ruolo e qual è l'impatto della temperatura sull'intera chimica.
Questi sono alcuni parametri che influenzano la qualità del rivestimento. Ora, se dicessi che è un para, nessuno potrebbe capirlo. Ma se mostrassi questo diagramma, diagramma causa-effetto, questo è un modo molto migliore per spiegarlo, che abbiamo usato proprio ora.
Tornando al mio punto di partenza, la qualità del rivestimento è influenzata dai sei parametri. Al momento, ci siamo concentrati sullo spazio di testa perché il processo è già stato impostato. Abbiamo già mostrato per questa piccola scala come prova di concetto. Il nostro processo è già impostato. Ora, la parte è l'hardware. Ora, come svolgerà il ruolo l'hardware?
Diciamo che hai una particella appoggiata sulla base e hai il sistema di iniezione di erogazione dello sguardo, o hai una chimica che ci entra dentro. Se ci mette così tanto tempo per raggiungerlo, o ci mette meno tempo, ciò avrà un impatto sui parametri del tuo processo, sulla tua pressione, sulla tua rimozione residua, tutto cambierà con questa distanza. Quella distanza è fondamentalmente quella che stiamo testando con il nostro banco di prova.
Chiamavamo questo strumento come un banco di prova dove possiamo usare le diverse architetture. Questa architettura è fondamentalmente il design del piombo nella camera dove metteremo o ridurremo lo spazio di testa del design del piombo con il primo piombo e questo che è quello cavo che può aumentare la dimensione dello spazio di testa. Se più spazio di testa, più alta è la chimica, minore è la rimozione residua potrebbe essere, potrebbe non essere. Questo dobbiamo controllare.
Per questo, con questa preoccupazione, abbiamo iniziato a vedere l'impatto del design del piombo sulla qualità del rivestimento. Con questo, abbiamo raccolto i dati per questa cosa particolare. Mentre abbiamo eseguito questa ricetta, quando stiamo cercando di rivestire alcune particelle, abbiamo alcuni parametri Parametri da fornire, e quei parametri li abbiamo registrati e li abbiamo utilizzati per l'analisi.
In questo, la prima cosa è il cambiamento di pressione. Se la distanza sarà maggiore, forse se ci sarà più reazione, se il tempo di seduta è più lungo il tempo di residenza per la chimica sarà maggiore, quel cambiamento di pressione sarà maggiore.
Questo può essere visto con il controllo di normalità, questo cambiamento di pressione tra due derivazioni, quello che abbiamo preso. Abbiamo visto se c'è rispetto al ciclo, se stiamo aumentando il ciclo, o sta aumentando molto o sta aumentando di meno. Per quello nel JMP, quello che abbiamo usato è il controllo di normalità e i coaguli di box per identificare l'outlier.
Questa è la bellezza di JMP. Non puoi semplicemente rilevare l'outlier, puoi anche ottenere la causa principale di questo adattando Y per X. Questo Y per X, puoi adattare l'adattamento polinomiale lineare, quale relazione ha il tuo outlier con il tuo set di dati. Con questo, possiamo riconoscerlo, o possiamo identificare qual è la causa principale dell'outlier.
Il terzo passaggio è stato [inudibile 00:06:14], dove abbiamo confrontato questi due set di dati di progettazione, ciò che abbiamo raccolto. Quindi abbiamo confermato la nostra ipotesi, ciò che tecnicamente abbiamo detto, che o è giusto o come andrà avanti. Con questo, tornerò ai miei risultati.
Innanzitutto, come ho detto, abbiamo due design. Nel primo design, è l'headspace più alto, che è noto come design, che abbiamo definito design uno. L'altro è il design due, che puoi vedere qui dove i dati sono più uniformi o normali. Dirai che c'è una differenziazione molto minore.
Ma qui, se vedrete nel design one e se vedrete il box plot corrispondente, se vedrete che ci sono molti valori anomali, potrete vedere che ci sono anche. Ora, di nuovo, tornando al punto, mentre abbiamo fatto il test dei valori anomali, che è uno strumento molto potente in JMP, dove possiamo cambiare il fattore q e cambiare il quantile di coda per controllare o compattare il vostro intervallo di specifiche, quello che direte è il vostro valore anomale. O è un valore anomale marginale o è un valore anomale di processo o è un valore anomale estremo.
Nel nostro caso, stiamo cercando l'outlier estremo. Questo outlier estremo, potremmo scoprirlo solo nel design one, non nel design two, che ha meno headspace. Quel meno headspace non mostra alcun outlier. Ne parleremo più avanti.
Ma prima di questo, direi che con l'outlier estremo, abbiamo solo provato a prendere la causa principale. Abbiamo provato ad adattarci con l'adattamento lineare Y per X, l'adattamento polinomiale, diversi gradi nell'adattamento polinomiale. Ma quello che siamo riusciti a capire è che nulla funziona in queste due ragioni particolari, né l'adattamento lineare del raggio né l'adattamento polinomiale. Poi ci siamo imbattuti in un altro punto chiamato analisi della densità di cluster non parametrica, che è la significatività.
Sebbene sia non parametrico, quindi l'intervallo di confidenza sarà del 95% rispetto al parametrico. Va bene. Ma al momento, ciò che mostra per lo studio attuale è che ci sono due modelli diversi perché ci sono due cluster diversi, come puoi vedere qui. Questi due cluster sono diversi l'uno dall'altro e questo cluster ti dirà fondamentalmente che ci sono due meccanismi in corso.
Se collego questo alla mia teoria tecnica, sarà come se inizialmente il processo dovesse essere aumentato linearmente o con una pendenza separata, ma poi è stato spostato. Nel complesso, il processo è stato deviato. Questa è la nostra preoccupazione tecnica. Come persona tecnica, se pensi che nella camera, se hai uno spazio di testa più alto, ciò significa che se la tua distanza è eccessiva dalla polvere alla rimozione della chimica o all'iniezione della tua chimica, se è troppo alta, il tempo di residenza per la chimica e i residui saranno molto alti, il che può avere un impatto non nel ciclo iniziale, ma nel ciclo successivo, può avere un impatto notevole.
Può andare alla deriva verso un processo completo perché questo è il processo di accumulo. Uno strato si accumulerà, poi si accumulerà il secondo strato e si accumulerà il terzo strato. Se questa è la struttura a strati, il primo ha molta condensazione, quindi quello superiore si accumulerà molto. Questa è l'ipotesi che abbiamo preso. Con ciò, quando abbiamo tracciato con l'aiuto del grafico di controllo, che è di nuovo uno degli strumenti sorprendenti in cui abbiamo visto l'intervallo di movimento rispetto al ciclo.
Se osservate qui nell'intervallo mobile, i cicli iniziali, se osservate che il ciclo iniziale è a un livello diverso, e all'improvviso si verifica un cambiamento improvviso, in realtà, un calo improvviso direi, un calo improvviso nell'intervallo mobile, che conferma ancora una volta la deriva nel processo.
Fondamentalmente, l'ipotesi e questi dati nel complesso suggerivano che il processo fosse iniziato normalmente. Il processo fosse iniziato normalmente con i primi cicli. Ma poiché c'è molto spazio di testa, il tempo di residenza è più alto, ecco perché questo processo è stato deviato. Ecco perché sta dando molti problemi nella qualità del rivestimento. Quando abbiamo confrontato questo con l'ANOVA, anche i nostri dati sperimentali dicono la stessa cosa.
Questa è la prova statistica per la stessa ipotesi, quale meccanismo sta avvenendo. Sebbene il rivestimento stia peggiorando nel caso del design one, ma qual è il meccanismo? Per dimostrare questo meccanismo, quel processo è stato deviato, è ciò che possiamo vedere anche con quel grafico di intervallo mobile.
Alla fine, quello che abbiamo fatto è stato confrontare queste due derivazioni con l'ANOVA unidirezionale e cercare di vedere, statisticamente, se sono uguali o diverse. Dal punto di vista statistico, mentre abbiamo fatto l'analisi unidirezionale, queste due sono molto distanti l'una dall'altra. Quell'analisi ha detto che la nostra ipotesi che queste due varianti siano uguali è fallita. Ecco perché direi che queste due derivazioni non sono simili.
Nel complesso, la conclusione di tutto questo studio, JMP, l'abbiamo usata come strumento per dimostrare che abbiamo un'ipotesi che afferma che la qualità del rivestimento nel design one è scarsa a causa della deriva del processo. Ciò può essere confermato, e ciò è confermato dal grafico dell'intervallo mobile. Ci sono molti valori anomali, il che è, ancora una volta, suggerito dal modello multiplo di adattamento che abbiamo mostrato. Quindi, alla fine, questi due lead non sono uguali.
Infine, se dovessi dire, se dovessi concludere tutta questa presentazione, quanto questo sia utile per me come Process Engineer, se ho fatto del lavoro, ho raccolto i miei dati, ho analizzato i miei dati, so come funziona, ma come lo comunicherò ai miei stakeholder o ai miei clienti. In questo senso, perché devo mostrare, o dovrei avere dei dati di supporto.
Ho questi dati e con quelli sono in grado di convincere che l'ipotesi del processo di deriva è dovuta all'headspace più elevato e siamo in grado di prendere una decisione in base a questo nuovo strumento, quando verrà introdotto, l'headspace dovrà essere ridotto e sarà compatibile con il progetto.
Questo strumento JMP mi ha aiutato a mostrare o provare la mia ipotesi e a prendere una decisione su quale sia la corretta come progettazione. Tutto questo riguarda il mio strumento. Infine, vorrei ringraziare i membri del mio team, il mio istruttore, Charles, e il mio mentore, Sukhti. Infine, grazie al team JMP per avermi dato un'altra possibilità. Grazie.
