透過在活性藥物成分 (API) 顆粒上使用原子層塗層，可以客製化其表面並增強 API 顆粒的性能。應用材料公司的硬體團隊設計了一種內部工具來對這些高表面積顆粒進行塗層。
作為實驗者，我們在這個專案中的主要作用是優化配方，並根據獲得的數據向硬體團隊提供回饋，以實現更好的設計。在本演示中，我們討論從其中一個硬體部件的不同設計中獲得的兩組製程資料。目的是比較兩個資料集並找到變化最小的設計。為此，我們使用 JMP 中的直方圖和連續擬合等工具來查看這兩種情況下的製程參數分佈和分佈類型。常態分位數圖用於檢查資料集常態性的任何變化。異常值分析是使用 JMP 中的「探索異常值」完成的，允許進行數據比較的單向分析。根據所獲得的數據，選擇最佳選項並建議升級。探索異常值有助於確定資料集中的變化。
大家好。我是 Neha Gupta，在印度應用材料公司工作。在開始本示範之前先介紹一下背景。就好像我是一名製程工程師，負責這個研發項目，應用材料方面的研發項目。
對於目前的研究（標題與評論一致），製程參數隨硬體層變化的變化是我們所做的研究之一。在開始演講之前，我要感謝 JMP 團隊給我機會來談論這個演講、這項工作。
接下來，我將開始我的演講。正如我所提到的，我在應用材料印度私人有限公司工作，這是半導體行業，它擁有原子層塗層的專業知識。我們試圖做的是將這種原子層塗層用於鄰近的市場領域，即製藥領域。
我們試圖做的是，利用我們在藥物顆粒上進行原子層塗層的專業知識，並嘗試改善它們的性能，即藥物垂直顆粒的性能。至此，我們已經有了概念驗證。我們已經在小規模上證明，如果我們在顆粒上進行 ALC 塗層，我們可以提高其流動性、生物利用度等。
現在的任務是我們必須擴大規模。目前，由於在詳細介紹JMP 細節之前，我想說這就是我們所做的，我們使用JMP 作為工具來解釋我們的技術領域、我們的技術專長、我們的技術發現，並且JMP 在以下方面為我們提供了支持那。正如我所提到的，對於這種顆粒塗層，我們可以改善顆粒的性能。
我們的最終產品、我們的最終目標是塗層。那塗層品質應該不錯。如果塗層品質好，我們可以做得更好。這種塗層品質也受到多個參數的影響。在 JMP 中，我們有一個非常好的工具來顯示，稱為因果圖。
作為一個外行人，如果我想展示一些東西，這是我的最終產品，並且它將受到多個參數或多個因素的影響，我將如何展示？這是一件事。這是因果圖，我在其中顯示了我的塗層品質受到我的工藝和粉末攪拌的影響，因為這是一個高表面積。
傳統的原子層沉積只是在填充物上進行，而不是在粉末上進行。在粉末中，表面積比薄填充物高得多。在這種情況下，製程參數、PADL 影響、粉末攪拌、如何將化學物質投入反應、如何去除殘留物，以及兩者之間的距離如何發揮作用，以及溫度對整個化學反應的影響是什麼？
這些是影響塗層品質的一些參數。現在，如果我說這是一個段落，沒有人能理解。但如果我展示這個圖，因果圖，這是一個更好的解釋方式，我們現在已經使用了。
回到我原來的觀點，塗層品質受到六個參數的影響。現在，我們的重點是頂部空間，因為流程已經確定。我們已經展示了這個小規模作為概念證明。我們的流程已經確定。現在，這部分是硬體。那麼，硬體將如何發揮作用呢？
假設你有一個粒子位於底座上，並且你有凝視傳輸注射系統，或者你有一種正在進入其中的化學物質。如果需要很長時間才能達到這個目標，或者時間較短，這將影響您的製程參數、壓力、殘留物去除，一切都會隨著這個距離而改變。這個距離基本上是我們用我們的測試台測試的。
我們曾經將此工具稱為測試台，我們可以在其中使用不同的架構。這種架構基本上是腔室中的引線設計，我們將在其中放置或減少帶有第一引線的引線設計頂部空間，這是可以增加頂部空間尺寸的中空引線。如果頂部空間越大，化學成分越高，殘留去除量可能會少，也可能不會。我們必須檢查一下。
為此，出於這種擔憂，我們開始看到引線設計對塗層品質的影響。這樣，我們就收集了這個特定事物的數據。當我們運行這個配方時，當我們嘗試塗覆一些粒子時，我們需要輸入一些參數，這些參數是我們記錄的，並用於分析的。
其中，首先是壓力變化。如果距離越遠，也許會發生更多的反應，如果停留時間越長，化學的停留時間就越高，壓力變化就會越高。
這可以透過常態性檢查看到，我們所採取的兩條引線之間的壓力變化。我們已經看到是否有關於週期的問題，如果我們增加週期，要么增加很多，要么增加較少。為此，在 JMP 中，我們使用的是常態性檢查和方框凝塊來識別異常值。
這就是 JMP 的美妙之處。你不能只偵測離群值，你也可以透過X擬合Y來得到根本原因。這樣，我們就可以認識到這一點，或者我們可以確定異常值的根本原因是什麼。
第三步是[聽不清楚 00:06:14]，我們比較了我們收集到的這兩個設計資料集。然後我們就證實了我們的假設，即我們在技術上所說的，要么它是正確的，要么它將如何繼續。說到這裡，我將回到我的結果。
首先，正如我所提到的，我們有兩種設計。在第一個設計中，它是較高的頂部空間，這被稱為設計，我們稱之為設計設計。另一種是設計二，您可以在此處看到資料更像是均勻或正常的。你會說差異非常小。
但在這裡，如果你會在設計中看到，如果你會看到相應的箱線圖，如果你會看到有很多異常值，你可以看到也有。現在，再次回到正題，雖然我們已經完成了異常值測試，這是 JMP 中非常強大的工具，我們可以在其中更改 q 因子並更改尾分位數來檢查或壓縮您的規格範圍，你要說的是你的異常值。它要麼是邊際異常值，要麼是過程異常值，要麼是極端異常值。
在我們的例子中，我們正在尋找極端異常值。這個極端的異常值，我們只能在設計一中找出，而不能在設計二中找出，因為設計二的頂部空間較小。較小的頂部空間並沒有顯示出任何異常值。我們稍後將進行討論。
但在此之前，我想說的是，對於極端異常值，我們只是試著找出根本原因。我們嘗試用Y乘X線性擬合、多項式擬合、不同程度的多項式擬合進行擬合。但我們可以發現，在這兩個特殊原因中，無論是線性射線擬合還是多項式擬合，都不起作用。然後我們發現還有一點叫做非參數聚類密度分析，這就是意義。
雖然它是非參數的，所以與參數相比，置信區間將為 95%。那很好。但現在，當前研究表明存在兩種不同的模型，因為有兩個不同的集群，正如您在此處看到的那樣。這兩個集群彼此不同，這個集群基本上會告訴您有兩種機制正在發生。
如果我將其與我的技術理論聯繫起來，那將就像最初應該線性增加或以單獨的斜率增加的過程一樣，但隨後它已被移動。總體而言，這個過程已經發生了偏差。這就是我們技術關注的問題。作為技術人員，如果您認為在腔室中，如果您有較高的頂部空間，則意味著您從粉末到去除化學物質或註入化學物質的距離是否太大，如果距離太遠高，化學物質和殘留物的停留時間會非常長，這不會在初始循環中產生影響，但在後期循環中會產生很大影響。
它可以走向一個完整的過程，因為那是建構的過程。將建造一層，然後建造第二層，然後建立第三層。如果是分層結構的話，你首先有很多凝結，那麼鞋面就會漂移很多。這就是我們所採取的假設。這樣，當我們藉助控製圖進行繪製時，這又是令人驚奇的工具之一，我們可以在其中看到相對於週期的移動範圍。
如果你會看到這裡的移動範圍，初始週期，如果你會看到初始週期處於不同的水平，突然出現突然的變化，實際上，突然下降，我會說，移動範圍的突然下降，這再次證實了過程中的漂移。
基本上，假設和這些數據總體表明該過程正常啟動。過程在前幾個週期正常啟動。但由於頂部空間很大，停留時間更長，所以這就是這個過程被漂移的原因。這就是為什麼它會帶來很多塗層品質問題。當我們將此與變異數分析進行比較時，這是我們的實驗數據也是如此。
這是對同一假設機制的統計證明。雖然在設計一的情況下塗層變得越來越差，但其機制是什麼？為了證明這個機制，我們可以從移動極差圖表中看到該過程已經發生了漂移。
最後，我們所做的是將這兩個線索與單向變異數分析進行比較，並嘗試從統計上來看它們是相同還是不同？從統計的角度來看，雖然我們做了單向分析，但兩者相差甚遠。該分析表明，我們關於這兩個變體相同的假設失敗了。這就是為什麼我會說這兩個線索不相似。
總的來說，整個研究的結論，JMP，我們用作工具來表明我們有一個假設，即設計中的塗層品質很差，因為過程的漂移。這是可以證實的，並且可以透過移動極差圖來證實。有許多異常值，這再次表明我們已經展示了多模型擬合。最後，這兩條線索並不相同。
最後，如果我想說，如果我結束整個演示，這對我作為一名製程工程師有什麼幫助，如果我做了一些工作，我已經收集了我的數據，我已經分析了我的數據，我知道它是如何運作的，以及我如何將其傳達給我的利害關係人或我的客戶。從這個意義上說，因為我必須展示，或者我應該有一些支持數據。
我有這些數據，有了這些數據，我能夠相信由於較高的頂部空間而導致的漂移過程的假設，並且我們能夠用新工具做出決定，當它出現時，頂部空間應該減少，將與設計相一致。
這個 JMP 工具幫助我展示或證明我的假設，並做出一些正確的設計決策。這就是我的工具的全部內容。最後，我要感謝我的團隊成員、我的導師 Charles 和我的指導教授 Sukhti。最後，感謝JMP團隊再次給我機會。謝謝。
