Al utilizar un recubrimiento de capa atómica sobre partículas de ingrediente farmacéutico activo (API), se puede adaptar su superficie y mejorar el rendimiento de las partículas de API. El equipo de hardware de Applied ha diseñado una herramienta interna para aplicar un recubrimiento sobre estas partículas de gran área superficial.
Como experimentadores, nuestro papel principal en el proyecto es optimizar la receta y, en función de los datos obtenidos, proporcionar retroalimentación al equipo de hardware para un mejor diseño. En esta presentación, analizamos dos conjuntos de datos de proceso obtenidos a partir de diferentes diseños de una de las partes del hardware. El objetivo es comparar los dos conjuntos de datos y encontrar el diseño con la mínima variación. Para esto, utilizamos herramientas de JMP como histogramas y ajuste continuo para ver la distribución de los parámetros del proceso y el tipo de distribución para ambos casos. Se utiliza un gráfico de cuantiles normal para comprobar si hay alguna variación en la normalidad del conjunto de datos. El análisis de valores atípicos se realiza utilizando Explore Outlier en JMP, lo que permite un análisis unidireccional para la comparación de datos. Con los datos obtenidos, se elige la mejor opción y se propone una actualización. Explorar los valores atípicos ayuda a determinar la variación en el conjunto de datos.
Hola a todos. Soy Neha Gupta y trabajo en Applied Materials, India Private Limited. Les contaré un poco sobre mi experiencia antes de comenzar con esta presentación. Soy ingeniera de procesos y trabajo en un proyecto de investigación y desarrollo de materiales aplicados.
Para este estudio actual, cuyo título va de la mano con la revisión, el cambio de los parámetros del proceso con el cambio de la capa de hardware es uno de los estudios que hemos realizado. Antes de comenzar con la presentación, me gustaría agradecer al equipo de JMP que me dio la oportunidad de hablar sobre esta presentación, este trabajo.
Con esto, comenzaré mi presentación. Como mencioné, trabajo en Applied Materials India Private Limited, que se dedica a la industria de semiconductores y tiene experiencia en recubrimientos de capas atómicas. Lo que intentamos hacer es utilizar este recubrimiento de capas atómicas en el campo de mercado adyacente, que es el sector farmacéutico.
Lo que intentamos hacer fue aprovechar nuestra experiencia en el recubrimiento de capas atómicas en partículas farmacéuticas e intentar mejorar sus propiedades, las propiedades de las partículas farmacéuticas verticales. Con eso, ya tenemos una prueba de concepto. Ya hemos demostrado a pequeña escala que si aplicamos el recubrimiento de capas atómicas a las partículas, podemos mejorar su fluidez, su biodisponibilidad, etc.
Ahora la tarea es ampliar la escala. Por ahora, antes de entrar en más detalles sobre el JMP, diría que lo que hemos hecho es utilizar el JMP como herramienta para explicar nuestra área técnica, nuestra experiencia técnica, nuestros hallazgos técnicos, y el JMP nos ha apoyado en eso. Como mencioné, para este recubrimiento de partículas, podemos mejorar las propiedades de las partículas.
Nuestro producto final, nuestro objetivo final es el recubrimiento. La calidad del recubrimiento debe ser buena. Si la calidad del recubrimiento es buena, podemos hacer cosas mucho mejores. La calidad del recubrimiento también se ve afectada por múltiples parámetros. En el JMP, tenemos una herramienta muy buena para mostrar lo que se llama diagrama de causa y efecto.
Como profano en la materia, si quiero demostrar que este es mi producto final y que esto se verá afectado por múltiples parámetros o múltiples factores, ¿cómo lo demostraré? Esto es lo primero. Este es el diagrama de causa-efecto donde he demostrado que la calidad de mi recubrimiento se ve afectada por mi proceso, mi agitación del polvo, porque se trata de una gran superficie.
El método ALD convencional se aplica al relleno, no al polvo. En el polvo, el área de superficie es mucho, mucho mayor que en el relleno fino. En ese caso, el parámetro del proceso, el impacto del PADL, la agitación del polvo, cómo se introducen los productos químicos para las reacciones, cómo se extraen los residuos y, luego, qué papel desempeña esta distancia entre estos dos y cuál es el impacto de la temperatura en toda la química.
Estos son algunos parámetros que afectan la calidad del recubrimiento. Si digo que es un parámetro, nadie lo entenderá. Pero si muestro este diagrama de causa y efecto, es una forma mucho mejor de explicarlo, que es la que hemos utilizado hasta ahora.
Volviendo a mi punto original, la calidad del recubrimiento se ve afectada por los seis parámetros. En este momento, nos hemos centrado en el espacio libre porque el proceso ya está establecido. Ya lo hemos demostrado a pequeña escala como prueba de concepto. Nuestro proceso ya está establecido. Ahora, la parte es el hardware. Ahora, ¿qué papel desempeñará el hardware?
Digamos que tienes una partícula en la base y tienes el sistema de inyección de flujo de aire o tienes una sustancia química que entra en ella. Si tarda mucho en llegar a ese punto o si le toma menos tiempo, eso afectará los parámetros del proceso, la presión, la eliminación de residuos, todo cambiará con esta distancia. Básicamente, estamos probando esa distancia con nuestro banco de pruebas.
Solíamos llamar a esta herramienta un banco de pruebas donde podemos usar las diferentes arquitecturas. Esta arquitectura es básicamente el diseño de plomo en la cámara donde colocaremos o reduciremos el espacio de cabeza del diseño de plomo con el primer plomo y este que es el hueco que puede aumentar el tamaño del espacio de cabeza. Cuanto mayor sea el espacio de cabeza, mayor será la química, menor será la eliminación de residuos, o tal vez no. Eso lo tenemos que comprobar.
Por eso, con esa preocupación, hemos empezado a ver el impacto del diseño principal en la calidad del recubrimiento. Con esto, hemos recopilado los datos para este tema en particular. Mientras ejecutamos esta receta, cuando intentamos recubrir alguna partícula, tenemos algunos parámetros que debemos proporcionar, y esos parámetros los hemos registrado y los hemos utilizado para el análisis.
En este caso, lo primero es el cambio de presión. Si la distancia es mayor, es posible que haya más reacción. Si el tiempo de permanencia es mayor, el tiempo de permanencia de la química será mayor y el cambio de presión será mayor.
Eso se puede ver con el control de normalidad, este cambio de presión entre dos derivaciones, que es lo que hemos tomado. Hemos visto si hay respecto al ciclo, si estamos aumentando el ciclo, o está aumentando mucho o está aumentando menos. Para eso en el JMP, lo que hemos utilizado es el control de normalidad y los coágulos de caja para identificar el outlier.
Esta es la belleza de JMP. No se puede simplemente detectar el valor atípico, sino que también se puede obtener la causa raíz de este ajustando Y por X. Con este Y por X, se puede ajustar el ajuste polinomial lineal para ver qué relación tiene el valor atípico con el propio conjunto de datos. Con eso, podemos reconocerlo o podemos identificar cuál es la causa raíz del valor atípico.
El tercer paso fue [inaudible 00:06:14], donde comparamos estos dos conjuntos de datos de diseño, lo que recopilamos. Luego, confirmamos nuestra hipótesis, lo que técnicamente nos dice que es correcto o que seguirá así. Con eso, volveré a mis resultados.
En primer lugar, como mencioné, tenemos dos diseños. En el primer diseño, se encuentra el espacio de cabeza más alto, que se conoce como el diseño, al que llamamos diseño uno. El otro es el diseño dos, que se puede ver aquí, donde los datos son más uniformes o normales. Dirán que hay una diferenciación muy pequeña.
Pero aquí, si observa el diseño y el diagrama de caja correspondiente, verá que hay muchos valores atípicos. Ahora, volviendo al tema, hemos realizado la prueba de valores atípicos, que es una herramienta muy poderosa en JMP, donde podemos cambiar el factor q y cambiar el cuartil de cola para verificar o compactar su rango de especificaciones, lo que va a decir que es su valor atípico. O es un valor atípico marginal o es un valor atípico de proceso o es un valor atípico extremo.
En nuestro caso, buscamos el valor atípico extremo. Este valor atípico extremo lo pudimos detectar solo en el diseño uno, no en el diseño dos, que tiene menos espacio libre. Ese espacio libre menor no muestra ningún valor atípico. Más adelante abordaremos ese tema.
Pero antes de eso, yo diría que con el caso extremo, hemos tratado de llegar a la causa raíz. Intentamos ajustar con el ajuste lineal Y por X, el ajuste polinómico, diferentes grados en el ajuste polinómico. Pero lo que pudimos descubrir es que nada funciona en estas dos razones particulares, ni el ajuste de rayos lineal ni el ajuste polinómico. Luego nos dimos cuenta de que hay un punto más llamado análisis de densidad de conglomerados no paramétrico, que es la significancia.
Aunque no es paramétrico, el intervalo de confianza será del 95 % en comparación con el paramétrico. Eso está bien. Pero ahora mismo, lo que muestra el estudio actual es que hay dos modelos diferentes porque hay dos grupos diferentes, como se puede ver aquí. Estos dos grupos son diferentes entre sí, y este grupo básicamente te dirá que hay dos mecanismos en funcionamiento.
Si relaciono esto con mi teoría técnica, será como si inicialmente se supusiera que el proceso se incrementara de manera lineal o con una pendiente separada, pero luego se ha movido. En general, el proceso se ha desviado. Esta es nuestra preocupación técnica. Como persona técnica, si piensa que en la cámara, si tiene un espacio de cabeza más alto, eso significa que si su distancia es demasiado grande desde el polvo hasta la eliminación de la química o la inyección de su química, si es demasiado alta, el tiempo de residencia para la química y los residuos será muy alto, lo que puede afectar no solo en el ciclo inicial, sino en el ciclo posterior, puede afectar mucho.
Puede derivar hacia un proceso completo porque ese es el proceso de construcción. Se formará una capa, luego se formará una segunda capa y luego se formará una tercera capa. Si esta es la estructura por capas, la primera tiene mucha condensación, luego la superior se desviará mucho. Esta es la hipótesis que hemos tomado. Con eso, cuando hemos trazado con la ayuda del gráfico de control, que es nuevamente una de las herramientas asombrosas donde hemos visto el rango móvil con respecto al ciclo.
Si ven aquí en el rango móvil, los ciclos iniciales, si ven que el ciclo inicial está en un nivel diferente, y de repente hay un cambio repentino, en realidad, una caída repentina diría, una caída repentina en el rango móvil, lo que nuevamente confirma la deriva en el proceso.
Básicamente, la hipótesis y estos datos en general sugirieron que el proceso comenzó normalmente. El proceso comenzó normalmente con los primeros ciclos. Pero debido a que hay mucho espacio libre, el tiempo de residencia es mayor, por eso este proceso se ha desviado. Es por eso que está generando muchos problemas en la calidad del recubrimiento. Cuando comparamos esto con el ANOVA, nuestros datos experimentales también dicen lo mismo.
Esta es la prueba estadística de la misma hipótesis, qué mecanismo está ocurriendo. Aunque el recubrimiento está empeorando en el caso del diseño uno, ¿cuál es el mecanismo? Para probar este mecanismo, ese proceso se ha desviado, como podemos ver también en ese gráfico de rango móvil.
Por último, lo que hicimos fue comparar estas dos variantes con el ANOVA unidireccional e intentar ver, estadísticamente, si son iguales o diferentes. Desde el punto de vista estadístico, si bien hicimos el análisis unidireccional, estas dos variantes están muy alejadas una de la otra. Ese análisis indicó que nuestra hipótesis de que estas dos variantes son iguales falló. Por eso diría que estas dos variantes no son similares.
En general, la conclusión de todo este estudio, JMP, la hemos utilizado como herramienta para demostrar que tenemos una hipótesis que dice que la calidad del recubrimiento en el diseño uno es deficiente debido a la deriva del proceso. Esto se puede confirmar, y lo confirma el gráfico de rango móvil. Hay muchos valores atípicos, lo que, nuevamente, sugiere el ajuste de modelos múltiples que hemos mostrado. Por último, estos dos conductores no son iguales.
Por último, si quisiera decir, para concluir toda esta presentación, cómo esto me resulta útil como ingeniero de procesos, si he realizado algún trabajo, he recopilado mis datos, los he analizado, sé cómo está funcionando, pero ¿cómo se lo comunicaré a mis partes interesadas o a mis clientes? En ese sentido, porque tengo que demostrar, o debería tener algunos datos de apoyo.
Tengo estos datos y con ellos, puedo convencer de que la hipótesis del proceso de deriva se debe a un mayor espacio de cabeza, y podemos tomar una decisión con la nueva herramienta, cuando aparezca, el espacio de cabeza debe reducirse y seguirá el diseño.
Esta herramienta JMP me ayudó a demostrar o probar mi hipótesis y a tomar una decisión que es la correcta en términos de diseño. Esto es todo acerca de mi herramienta. Por último, me gustaría agradecer a los miembros de mi equipo, a mi instructor, Charles, y a mi mentor, Sukhti. Por último, gracias al equipo de JMP por darme una oportunidad una vez más. Gracias.
