医薬品有効成分 (API) 粒子に原子層コーティングを施すことで、粒子の表面をカスタマイズし、API 粒子の性能を高めることができます。Applied のハードウェア チームは、これらの高表面積粒子にコーティングを施す社内ツールを設計しました。
実験者としての私たちのプロジェクトでの主な役割は、レシピの最適化と、得られたデータに基づいてハードウェア チームにフィードバックして設計を改善することです。このプレゼンテーションでは、ハードウェア パーツの 1 つについて異なる設計から得られた 2 セットのプロセス データについて説明します。目的は、2 つのデータ セットを比較し、変動が最小となる設計を見つけることです。このために、ヒストグラムや連続近似などの JMP のツールを使用して、両方のケースのプロセス パラメーターの分布と分布の種類を確認します。データ セットの正規性の変動を確認するには、正規分位プロットを使用します。外れ値分析は、JMP の外れ値の探索を使用して実行され、データ比較のための一元配置分析が可能になります。得られたデータを使用して、アップグレードに最適なオプションが選択され、提案されます。外れ値の探索は、データ セットの変動を判断するのに役立ちます。
みなさん、こんにちは。私は Neha Gupta です。Applied Materials, India Private Limited で働いています。このプレゼンテーションを始める前に、簡単に経歴をお話しします。私はプロセス エンジニアで、応用材料の R&D プロジェクト、研究開発プロジェクトに携わっています。
タイトルがレビューとなっているこの現在の研究では、ハードウェア レイヤーの変更によるプロセス パラメーターの変更が、私たちが行った研究の 1 つです。プレゼンテーションを始める前に、このプレゼンテーション、この作業について話す機会を与えてくれた JMP チームに感謝したいと思います。
それでは、私のプレゼンテーションを始めます。先ほども申し上げたとおり、私は半導体業界の Applied Materials India Private Limited に勤めており、原子層コーティングの専門知識を持っています。私たちがやろうとしたのは、この原子層コーティングを隣接市場分野、つまり医薬品分野に応用することです。
私たちが試みたのは、医薬粒子の原子層コーティングに関する専門知識を活用し、その特性、つまり医薬垂直粒子の特性を改善することでした。これにより、私たちはすでに概念実証を達成しています。粒子に ALC コーティングを施すと、流動性やバイオアベイラビリティなどを改善できることを小規模ですでに実証しています。
今の課題はスケールアップすることです。JMP の詳細に入る前に、私たちが現在行っていることを説明します。私たちは JMP を、私たちの技術分野、私たちの技術的専門知識、私たちの技術的発見を説明するツールとして使用しており、JMP はその点で私たちをサポートしてくれています。先ほど述べたように、この粒子コーティングでは、粒子の特性を改善できます。
私たちの最終製品、最終目標はコーティングです。コーティングの品質は良好でなければなりません。コーティングの品質が良ければ、さらに優れたものを作ることができます。このコーティングの品質は、複数のパラメータによっても影響を受けます。JMP には、因果関係図と呼ばれる、それを示す非常に優れたツールがあります。
素人の私としては、これが最終製品であり、複数のパラメータや複数の要因によって影響を受けるということを示したい場合、どのように示せばいいでしょうか。これが 1 つの方法です。これは、コーティングの品質がプロセス、つまり粉末の撹拌によって影響を受けることを示す因果関係図です。これは表面積が大きいためです。
従来の ALD は充填物に対して行われ、粉末に対しては行われません。粉末では、表面積は薄い充填物よりもはるかに大きくなります。その場合、プロセス パラメータ、PADL の影響、粉末の撹拌、反応のために化学物質をどのように投入するか、残留物をどのように取り出すか、そしてこれら 2 つの間の距離がどのように役割を果たしているか、温度が化学物質全体にどのような影響を与えるかが重要になります。
これらはコーティングの品質に影響を与えるいくつかのパラメータです。これをパラメータと言っても、誰も理解できません。しかし、この図、因果関係図を見せれば、これを説明するはるかに良い方法になります。これは現在使用しているものです。
元の論点に戻ると、コーティングの品質は 6 つのパラメータによって影響を受けます。現在、プロセスはすでに設定されているため、ヘッドスペースに焦点を当てています。この小規模なケースでは、概念実証としてすでに示しています。プロセスはすでに設定されています。次に、ハードウェアについて説明します。ハードウェアはどのような役割を果たすのでしょうか。
ベースに粒子があり、視線デリバリー注入システム、またはそこに投入される化学物質があるとします。そこに到達するまでに非常に長い時間がかかったり、時間が短くなったりすると、プロセス パラメーター、圧力、残留物除去に影響し、すべてがこの距離によって変化します。基本的に、この距離はテスト スタンドでテストしている距離です。
私たちはこのツールを、さまざまなアーキテクチャを使用できるテスト スタンドと呼んでいました。このアーキテクチャは基本的に、最初のリードとヘッドスペースのサイズを増やすことができる中空のリードで、リード デザインのヘッドスペースを配置または削減するチャンバー内のリード デザインです。ヘッドスペースが大きいほど、化学成分が多くなり、残留物の除去が少なくなる可能性があります。そうでない可能性もあります。それを確認する必要があります。
そのため、その懸念から、私たちはリード設計がコーティング品質に与える影響について検討し始めました。これにより、この特定のものに関するデータを収集しました。このレシピを実行する際、粒子をコーティングしようとするときに、いくつかのパラメータを入力する必要があり、そのパラメータを記録して分析に使用しました。
まず、圧力の変化です。距離が長ければ、より多くの反応が起こる可能性があり、滞留時間が長ければ、化学反応の滞留時間も長くなり、圧力の変化も大きくなります。
これは、私たちが取得した 2 つのリード間の圧力変化である正規性チェックで確認できます。サイクルに関して、サイクルが増加すると、大幅に増加するか、またはあまり増加しないかを確認しました。そのために、JMP では、正規性チェックとボックス クロットを使用して外れ値を特定しました。
これが JMP の優れた点です。外れ値を検出するだけでなく、Y と X をフィッティングすることで、外れ値の根本原因も取得できます。この Y と X をフィッティングすることで、線形多項式をフィッティングして、外れ値が独自のデータ セットとどのような関係にあるかを調べることができます。これにより、外れ値の根本原因を認識、または特定できます。
3 番目のステップは [inaudible 00:06:14] です。ここでは、収集した 2 つの設計データ セットを比較しました。次に、仮説を確認しました。技術的には、仮説が正しいか、今後どうなるかを示しています。それでは、結果に戻ります。
まず最初に、2 つの設計があることを述べました。最初の設計は、より高いヘッドスペースで、設計 1 と呼ばれています。もう 1 つは設計 2 で、ここでデータがより均一または正常であることがわかります。違いはほとんどないと言えるでしょう。
しかし、ここで、設計図と対応するボックス プロットを見ると、外れ値がたくさんあり、他にも外れ値があることがわかります。ここで、もう一度、ポイントに戻りますが、外れ値検定を実行しました。これは JMP の非常に強力なツールで、q 係数を変更したり、末尾の四分位数を変更したりして、仕様範囲を確認したり、コンパクトにしたりすることができます。外れ値は、限界外れ値、プロセス外れ値、または極端な外れ値のいずれかです。
私たちの場合、極端な外れ値を探しています。この極端な外れ値は、ヘッドスペースが少ないデザイン 2 ではなく、デザイン 1 でのみ検出できました。ヘッドスペースが少ないため、外れ値は表示されません。これについては後で説明します。
しかし、その前に、極端な外れ値について、根本原因を突き止めようとしました。Y x X 線形近似、多項式近似、多項式近似のさまざまな次数で近似してみました。しかし、この 2 つの特定の原因では、線形近似も多項式近似も何も機能していないことがわかりました。その後、非パラメトリック クラスター密度分析と呼ばれるもう 1 つのポイント、つまり有意性があることに気付きました。
これはノンパラメトリックなので、信頼区間はパラメトリックと比較して 95% になります。これは問題ありません。しかし、現時点では、現在の研究では、2 つの異なるクラスターがあるため、2 つの異なるモデルがあることがわかります。これら 2 つのクラスターは互いに異なり、このクラスターは基本的に 2 つのメカニズムが進行していることを示しています。
これを私の技術理論に当てはめると、当初はプロセスが直線的に、または個別の傾斜で増加するはずだったのに、その後移動したということになります。全体的に、プロセスはドリフトしています。これが私たちの技術的な懸念です。技術者として、チャンバー内のヘッドスペースが高いと考えると、粉末から化学物質の除去または化学物質の注入までの距離が長すぎると、化学物質と残留物の滞留時間が非常に長くなり、最初のサイクルだけでなく、後のサイクルにも大きな影響を与える可能性があります。
完全なプロセスに向かってドリフトする可能性があります。なぜなら、それが積み上げプロセスだからです。1 つの層が構築され、次に 2 番目の層が構築され、3 番目の層が構築されます。これが層ごとの構造である場合、最初の層は凝縮が多く、上部は大きくドリフトします。これが私たちが採用した仮説です。それに基づいて、サイクルに関する移動範囲を確認できる素晴らしいツールの 1 つである管理図を使用してプロットしました。
ここで移動範囲の初期サイクルを見ると、初期サイクルが別のレベルにあり、突然の変化、つまり移動範囲の急激な低下が見られます。これは、プロセスにおけるドリフトを再度裏付けています。
基本的に、仮説とこのデータは全体的に、プロセスが正常に開始されたことを示唆しています。プロセスは最初の数サイクルで正常に開始しました。しかし、ヘッドスペースが多いため滞留時間が長くなり、このプロセスがドリフトしたのです。そのため、コーティング品質に多くの問題が発生しています。これを ANOVA と比較すると、この実験データも同じことを示しています。
これは、どのようなメカニズムが起こっているかという同じ仮説の統計的証明です。デザイン 1 の場合、コーティングが悪化していますが、そのメカニズムは何でしょうか? このメカニズムを証明するために、プロセスがドリフトしていることが、移動範囲チャートでも確認できます。
最後に、この 2 つのリードを一元配置分散分析で比較し、統計的に同じか異なるかを確認してみました。統計的な観点から見ると、一元配置分析を行ったものの、これら 2 つは互いに大きく離れています。この分析では、これら 2 つの変異が同じであるという仮説は失敗しました。そのため、これら 2 つのリードは類似していないと言えます。
全体として、この研究全体の結論として、JMP をツールとして使用し、設計 1 のコーティング品質がプロセスのドリフトによって低下するという仮説があることを証明しました。これは確認可能であり、移動範囲チャートによって確認されています。外れ値が多くありますが、これも、私たちが示した複数のモデル フィッティングを示唆しています。そして最後に、これら 2 つのリードは同じではありません。
最後に、このプレゼンテーション全体を締めくくるにあたり、プロセス エンジニアとしての私にとってこれがいかに役立つかを述べたいと思います。作業を行い、データを収集し、データを分析し、それがどのように機能しているかはわかっていますが、これを利害関係者や顧客にどのように伝えるかです。その意味で、私は何らかの裏付けとなるデータを示す必要がある、または何らかの裏付けとなるデータを持っている必要があります。
私はこのデータを持っており、それを使って、より高いヘッドスペースによる漂流プロセスの仮説を納得させることができ、新しいツールが登場したときにヘッドスペースを減らして設計に取り入れるという決定を下すことができます。
この JMP ツールは、私の仮説を示したり証明したり、設計として正しいものを決定するのに役立ちました。これが私のツールのすべてです。最後に、チーム メンバー、インストラクターの Charles、メンターの Sukhti に感謝したいと思います。最後に、もう一度チャンスを与えてくれた JMP チームに感謝します。ありがとうございます。
