활성 약제 성분(API) 입자에 원자층 코팅을 사용하면 표면을 맞춤화하고 API 입자의 성능을 향상시킬 수 있습니다. Applied의 하드웨어 팀은 이러한 고표면적 입자에 코팅을 하는 사내 도구를 설계했습니다.
실험자로서, 프로젝트에서 우리의 주요 역할은 레시피를 최적화하고, 얻은 데이터를 기반으로 하드웨어 팀에 피드백을 제공하여 더 나은 설계를 하는 것입니다. 이 프레젠테이션에서는 하드웨어 부품 중 하나의 다른 설계에서 얻은 두 세트의 프로세스 데이터에 대해 설명합니다. 목표는 두 데이터 세트를 비교하여 최소 변동이 있는 설계를 찾는 것입니다. 이를 위해 히스토그램과 연속적 적합과 같은 JMP 도구를 사용하여 두 경우 모두의 프로세스 매개변수 분포와 분포 유형을 확인합니다. 정규 분위수 플롯을 사용하여 데이터 세트의 정규성에 변동이 있는지 확인합니다. 이상치 분석은 JMP의 Explore Outlier를 사용하여 수행하여 데이터 비교를 위한 일방향 분석을 허용합니다. 얻은 데이터를 사용하여 최상의 옵션을 선택하고 업그레이드를 제안합니다. 이상치를 탐색하면 데이터 세트의 변동을 확인하는 데 도움이 됩니다.
안녕하세요 여러분. 저는 네하 굽타이고, Applied Materials, India Private Limited에서 일하고 있습니다. 이 프레젠테이션을 시작하기 전에 간략한 배경을 말씀드리겠습니다. 저는 이 R&D 프로젝트, 응용 소재의 연구 개발 프로젝트를 담당하는 프로세스 엔지니어와 같습니다.
이 현재 연구에서는 제목이 리뷰와 함께 나오는데, 하드웨어 계층 변경을 통한 프로세스 매개변수 변경은 우리가 수행한 연구 중 하나입니다. 프레젠테이션을 시작하기 전에 이 프레젠테이션과 이 작업에 대해 이야기할 기회를 주신 JMP 팀에 감사드리고 싶습니다.
이제 제 프레젠테이션을 시작하겠습니다. 제가 말씀드린 대로 저는 반도체 산업인 Applied Materials India Private Limited에 있으며 원자층 코팅에 대한 전문 지식을 가지고 있습니다. 우리가 시도한 것은 이 원자층 코팅을 인접한 시장 분야인 제약 분야에 사용하는 것입니다.
우리가 시도한 것은 제약 입자에 원자층 코팅에 대한 전문 지식을 활용하여 그 특성, 제약 수직 입자 특성을 개선하려고 시도한 것입니다. 이를 통해 우리는 이미 개념 증명을 했습니다. 우리는 이미 소규모로 입자에 ALC 코팅을 하면 유동성, 생체이용률 등을 개선할 수 있음을 보여주었습니다.
이제 과제는 스케일업을 해야 합니다. 현재로서는 JMP에 대해 더 자세히 설명하기 전에, 우리가 한 일은 JMP를 기술 분야, 기술 전문성, 기술적 발견을 설명하는 도구로 사용했고, JMP가 이를 지원했습니다. 이 입자 코팅의 경우, 입자의 특성을 개선할 수 있다고 말씀드렸습니다.
우리의 궁극적인 제품, 궁극적인 목표는 코팅입니다. 그 코팅 품질은 좋아야 합니다. 코팅 품질이 좋다면, 우리는 훨씬 더 나은 것을 할 수 있습니다. 이 코팅 품질은 또한 여러 매개변수의 영향을 받습니다. JMP에서 우리는 원인과 결과 다이어그램이라고 불리는 것을 보여주는 매우 좋은 도구를 가지고 있습니다.
일반인으로서, 제가 이것이 제 최종 제품이며 이것이 여러 매개변수나 여러 요인의 영향을 받을 것이라는 것을 보여주고 싶다면, 어떻게 보여줄까요? 이것이 유일한 방법입니다. 이것은 제가 코팅 품질이 제 공정, 즉 분말의 교반에 의해 영향을 받는다는 것을 보여준 원인-효과 다이어그램입니다. 왜냐하면 이것은 표면적이 높기 때문입니다.
충전에는 일반적인 ALD가 있고, 분말에는 없습니다. 분말의 표면적은 얇은 충전보다 훨씬, 훨씬 더 큽니다. 이 경우, 공정 매개변수, PADL 충격, 분말의 교반, 반응을 위해 화학 물질을 넣는 방법, 잔류물을 제거하는 방법, 그리고 이 두 가지 사이의 거리가 어떤 역할을 하는지, 그리고 온도가 화학 물질 전체에 미치는 영향은 무엇인지가 중요합니다.
이것들은 코팅 품질에 영향을 미치는 몇 가지 매개변수입니다. 이제, 제가 이것을 파라라고 말하면 아무도 이해할 수 없습니다. 하지만 제가 이 다이어그램, 원인과 결과 다이어그램을 보여드리면, 이것이 그것을 설명하는 훨씬 더 나은 방법이며, 지금 우리가 사용하고 있습니다.
원래의 요점으로 돌아가서, 코팅 품질은 여섯 가지 매개변수의 영향을 받습니다. 지금은 프로세스가 이미 설정되었기 때문에 헤드스페이스에 집중했습니다. 우리는 이미 이 작은 규모를 개념 증명으로 보여주었습니다. 우리의 프로세스는 이미 설정되었습니다. 이제 부분은 하드웨어입니다. 이제 하드웨어가 어떤 역할을 할까요?
예를 들어, 바닥에 입자가 놓여 있고 시선 전달 주입 시스템이 있거나 거기에 들어가는 화학 물질이 있다고 가정해 보겠습니다. 거기에 도달하는 데 너무 오래 걸리거나 시간이 덜 걸리면 프로세스 매개변수, 압력, 잔류물 제거에 영향을 미치며 이 거리에 따라 모든 것이 바뀝니다. 그 거리는 기본적으로 테스트 스탠드로 테스트하는 것입니다.
우리는 이 도구를 테스트 스탠드라고 부르곤 했는데, 여기서 우리는 다양한 아키텍처를 사용할 수 있습니다. 이 아키텍처는 기본적으로 챔버의 리드 디자인이며, 여기서 첫 번째 리드와 헤드스페이스 크기를 늘릴 수 있는 중공 리드인 리드 디자인 헤드스페이스를 두거나 줄일 것입니다. 헤드스페이스가 더 크고 화학이 더 높으면 잔류 제거가 줄어들 수도 있고 그렇지 않을 수도 있습니다. 우리는 그것을 확인해야 합니다.
그러한 우려를 가지고, 우리는 코팅 품질에 대한 리드 설계 영향을 보기 시작했습니다. 이를 통해, 우리는 이 특정한 것에 대한 데이터를 수집했습니다. 이 레시피를 실행하는 동안, 어떤 입자를 코팅하려고 할 때, 우리는 몇 가지 매개변수 매개변수를 제공해야 하며, 그 매개변수를 기록하고, 분석에 사용했습니다.
그 중에서 첫 번째는 압력 변화입니다. 거리가 더 멀다면, 반응이 더 많이 일어날 수 있고, 앉아 있는 시간이 길수록 화학 반응의 거주 시간이 더 길어지고, 그 압력 변화가 더 높아질 것입니다.
이는 정규성 검사, 두 리드 사이의 압력 변화, 우리가 취한 것으로 볼 수 있습니다. 우리는 사이클과 관련하여 사이클을 늘리면 많이 증가하거나 적게 증가하는지 확인했습니다. JMP에서 이를 위해 우리는 정규성 검사와 상자 응고를 사용하여 이상치를 식별했습니다.
이것이 바로 JMP의 장점입니다. 이상치만 탐지할 수 있는 것이 아니라 Y를 X로 피팅하여 근본 원인도 얻을 수 있습니다. 이 Y를 X로 피팅하면 선형 다항식 피팅을 적용할 수 있고, 이상치가 자신의 데이터 세트와 어떤 관계가 있는지 알 수 있습니다. 이를 통해 이상치를 인식하거나 이상치의 근본 원인이 무엇인지 식별할 수 있습니다.
세 번째 단계는 [청취 불가 00:06:14]로, 이 두 가지 설계 데이터 세트를 비교했습니다. 수집한 내용입니다. 그런 다음 가설을 확인했습니다. 기술적으로 말하면, 그것이 옳거나 어떻게 진행될지 말합니다. 그런 다음 결과로 돌아가겠습니다.
처음에, 제가 말씀드렸듯이 저희는 두 가지 디자인을 가지고 있습니다. 첫 번째 디자인은 더 높은 헤드스페이스로, 디자인이라고 알려져 있고, 저희는 그것을 디자인 1이라고 말했습니다. 다른 하나는 디자인 2인데, 여기서 볼 수 있듯이 데이터가 더 균일하거나 정상적입니다. 매우 덜 차별화되어 있다고 말할 것입니다.
하지만 여기서, 디자인 1에서 보시고 해당 상자 그림을 보시면, 많은 이상치가 있는 것을 보실 수 있을 겁니다. 또한 이상치가 있다는 것을 보실 수 있습니다. 이제 다시 요점으로 돌아와서, JMP에서 매우 강력한 도구인 이상치 테스트를 했지만, q-인자를 변경하고 꼬리 분위수를 변경하여 사양 범위를 확인하거나 압축할 수 있습니다. 이상치라고 말할 것입니다. 그것은 한계 이상치이거나 프로세스 이상치이거나 극단적 이상치입니다.
우리의 경우, 극단적인 이상치를 찾고 있습니다. 이 극단적인 이상치는 디자인 1에서만 알아낼 수 있고, 디자인 2에서는 알아낼 수 없습니다. 디자인 2는 헤드스페이스가 더 적습니다. 그 헤드스페이스가 적으면 이상치가 나타나지 않습니다. 이 논의는 나중에 하죠.
하지만 그 전에, 극단적 이상치에 대해 말씀드리자면, 우리는 근본 원인을 파악하려고 했습니다. Y x X 선형 적합, 다항식 적합, 다항식 적합의 다른 차수로 적합하려고 했습니다. 하지만 알아낼 수 있었던 것은 이 두 가지 특정 이유에서 선형 광선 적합이나 다항식 적합 모두 효과가 없다는 것입니다. 그런 다음 비모수적 클러스터 밀도 분석이라고 하는 또 다른 요점이 있는데, 이것이 유의성입니다.
비모수적이기는 하지만 신뢰 구간은 모수적과 비교했을 때 95%가 될 것입니다. 괜찮습니다. 하지만 지금 당장은 현재 연구에 대해 두 가지 다른 모델이 있다는 것을 보여줍니다. 여기에서 볼 수 있듯이 두 개의 다른 클러스터가 있기 때문입니다. 이 두 클러스터는 서로 다르며, 이 클러스터는 기본적으로 두 가지 메커니즘이 진행 중임을 알려줍니다.
제가 이것을 제 기술 이론과 연결한다면, 처음에는 프로세스가 선형적으로 또는 별도의 경사로 증가해야 했지만, 그런 다음 이동한 것과 같을 것입니다. 전반적으로 프로세스가 표류했습니다. 이것이 우리의 기술적 관심사입니다. 기술자로서, 챔버에서 더 높은 헤드 스페이스가 있다면, 분말에서 화학 물질을 제거하거나 화학 물질을 주입하는 거리가 너무 멀다는 것을 의미한다고 생각한다면, 너무 높으면 화학 물질과 잔류물의 거주 시간이 매우 길어져서 초기 사이클에는 영향을 미치지 않지만, 이후 사이클에서는 많은 영향을 미칠 수 있습니다.
완전한 과정으로 표류할 수 있는데, 그것은 쌓인 과정이기 때문입니다. 한 층이 쌓이고, 두 번째 층이 쌓이고, 세 번째 층이 쌓입니다. 이것이 층별 구조라면, 첫 번째 층이 많은 응축을 겪고 있다면, 위쪽은 많이 표류할 것입니다. 이것이 우리가 취한 가설입니다. 그것으로, 우리가 사이클에 대한 이동 범위를 볼 수 있는 놀라운 도구 중 하나인 관리 차트의 도움으로 플로팅했을 때.
이동 범위에서 초기 주기를 보면, 초기 주기가 다른 수준에 있고, 갑자기 급격한 변화가 있는데, 실제로 급격한 하락이라고 말하고 싶습니다. 이는 다시 한번 과정의 표류를 확인시켜 줍니다.
기본적으로 가설과 이 데이터는 전반적으로 프로세스가 정상적으로 시작되었음을 시사합니다. 프로세스는 처음 몇 사이클에서 정상적으로 시작되었습니다. 하지만 헤드스페이스가 많기 때문에 상주 시간이 더 길어서 이 프로세스가 표류한 것입니다. 그래서 코팅 품질에 많은 문제가 발생합니다. 이것을 ANOVA와 비교했을 때, 우리의 실험 데이터도 같은 것을 말하고 있습니다.
이것은 같은 가설에 대한 통계적 증명이며, 어떤 메커니즘이 일어나고 있는지를 보여줍니다. 디자인 1의 경우 코팅이 더 나빠지고 있지만, 그 메커니즘은 무엇일까요? 이 메커니즘을 증명하기 위해, 그 프로세스가 표류되었다는 것을 우리는 그 이동 범위 차트에서도 볼 수 있습니다.
마지막으로, 우리가 한 것은 이 두 리드를 일원 분산 분석으로 비교하고 통계적으로 같은지 다른지 알아보는 것이었습니다. 통계적 관점에서, 우리는 일원 분석을 했지만, 이 두 가지는 서로 매우 멀리 떨어져 있습니다. 그 분석은 이 두 가지 변이가 동일하다는 우리의 가설이 실패했다고 말했습니다. 그래서 저는 이 두 리드가 유사하지 않다고 말하고 싶습니다.
전반적으로, 이 연구 전체의 결론인 JMP는 우리가 설계 1의 코팅 품질이 공정의 드리프팅으로 인해 좋지 않다는 가설이 있다는 것을 보여주는 도구로 사용했습니다. 이는 확인할 수 있으며 이동 범위 차트로 확인됩니다. 많은 이상치가 있는데, 이는 다시 말해 우리가 보여준 다중 모델 피팅을 시사합니다. 마지막으로, 이 두 리드는 동일하지 않습니다.
마지막으로, 제가 말씀드리고 싶은 것은, 이 프레젠테이션 전체를 마치면서, 이것이 프로세스 엔지니어로서 저에게 어떻게 도움이 되는지, 제가 어떤 작업을 했는지, 데이터를 수집했는지, 데이터를 분석했는지, 어떻게 작동하는지 알고 있는지, 하지만 이것을 어떻게 이해관계자나 고객에게 전달할 것인지입니다. 그런 의미에서, 보여줘야 하거나, 아니면 뒷받침하는 데이터가 있어야 하기 때문입니다.
저는 이 데이터를 가지고 있으며, 이를 바탕으로 헤드스페이스가 더 높아서 표류 과정이 일어난다는 가설을 확신할 수 있고, 새로운 도구가 등장하면 헤드스페이스를 줄이고 설계에 맞게 적용해야 한다는 결정을 내릴 수 있습니다.
이 JMP 도구는 제 가설을 보여주거나 증명하고 설계로서 올바른 결정을 내리는 데 도움이 되었습니다. 이것이 제 도구에 대한 전부입니다. 마지막으로, 팀원, 강사 Charles, 멘토 Sukhti에게 감사드리고 싶습니다. 마지막으로, 다시 한 번 기회를 주신 JMP 팀에 감사드립니다. 감사합니다.
