L'application d'un revêtement de couche atomique sur des particules de principe actif pharmaceutique (API) permet de moduler leur surface et d'améliorer leurs performances. L'équipe en charge des équipements chez Applied a conçu un outil interne pour réaliser ce revêtement sur des particules à surface spécifique élevée.
En tant qu'expérimentateurs, notre rôle principal dans ce projet est l'optimisation du procédé et, à partir des données recueillies, la transmission de retours à l'équipe matérielle pour une meilleure conception. Dans cette présentation, nous analysons deux ensembles de données de procédé issus de différentes conceptions d'un composant matériel. L'objectif est de comparer ces deux ensembles et d'identifier la conception présentant la plus faible variation. Pour ce faire, nous utilisons des outils de JMP tels que les histogrammes et l'ajustement continu afin d'observer la distribution des paramètres de procédé et leur type dans les deux cas. Un graphique quantile-quantile normal est utilisé pour vérifier la normalité des données. L'analyse des valeurs aberrantes est réalisée à l'aide de la fonction « Explorer les valeurs aberrantes » de JMP, permettant une analyse univariée pour la comparaison des données. À partir des données obtenues, la meilleure option est sélectionnée et proposée pour une mise à niveau. L'exploration des valeurs aberrantes contribue à déterminer la variation au sein de l'ensemble de données.
Bonjour à tous. Je suis Neha Gupta et je travaille chez Applied Materials, India Private Limited. Avant de commencer cette présentation, voici un bref aperçu de mon parcours. Je suis ingénieure de procédés et je travaille sur un projet de recherche et développement au sein de cette entreprise.
Dans le cadre de cette étude, dont le titre est lié à l'analyse, nous avons mené une recherche sur l'évolution des paramètres de processus en fonction des modifications de la couche matérielle. Avant de commencer, je tiens à remercier l'équipe JMP qui m'a donné l'opportunité de présenter ce travail.
Je vais donc commencer ma présentation. Comme je l'ai mentionné, je travaille chez Applied Materials India Private Limited, une entreprise du secteur des semi-conducteurs spécialisée dans le revêtement par couches atomiques (ALD). Nous avons cherché à appliquer cette technologie ALD à un marché connexe : le secteur pharmaceutique.
Nous avons mis à profit notre expertise en matière de revêtement de couches atomiques (ALC) sur des particules pharmaceutiques afin d'améliorer leurs propriétés. Nous avons ainsi obtenu une preuve de concept. Nous avons déjà démontré, à petite échelle, que le revêtement ALC appliqué aux particules permet d'améliorer leur fluidité, leur biodisponibilité, etc.
Notre tâche consiste maintenant à passer à l'échelle supérieure. Pour l'instant, et avant d'entrer dans les détails concernant le JMP, je dirais que nous l'utilisons comme outil pour présenter notre domaine technique, notre expertise et nos résultats, et le JMP nous a été d'un grand soutien. Comme je l'ai mentionné, ce revêtement de particules nous permet d'améliorer leurs propriétés.
Notre produit final, notre objectif ultime, c'est le revêtement. La qualité de ce revêtement doit être irréprochable. Une bonne qualité de revêtement nous permet d'aller encore plus loin. Cette qualité est influencée par de nombreux paramètres. Dans JMP, nous disposons d'un outil très performant pour visualiser ces interactions : le diagramme de causes et effets.
En tant que profane, si je veux montrer que mon produit final est influencé par de multiples paramètres ou facteurs, comment puis-je le faire ? Voici un exemple : le diagramme de cause à effet. J’y démontre que la qualité de mon revêtement est affectée par mon procédé, notamment par l’agitation de la poudre, en raison de la grande surface spécifique.
Le procédé ALD conventionnel s'applique à la couche de remplissage, et non à la poudre. Dans la poudre, la surface spécifique est bien plus importante que dans la couche de remplissage. Dès lors, les paramètres du procédé, l'impact du PADL, l'agitation de la poudre, l'introduction des réactifs, l'élimination des résidus, ainsi que l'influence de la distance entre ces deux éléments et l'impact de la température sur l'ensemble du processus chimique sont déterminants.
Voici quelques paramètres qui influent sur la qualité du revêtement. Si je vous disais qu'il s'agit d'un paragraphe, personne ne comprendrait. En revanche, si je vous montrais ce diagramme de cause à effet, ce serait beaucoup plus clair, et c'est celui que nous venons d'utiliser.
Pour revenir à mon point initial, la qualité du revêtement est influencée par six paramètres. Actuellement, nous nous concentrons sur l'espace de tête, car le procédé est déjà établi. Nous avons déjà démontré son efficacité à petite échelle, à titre de preuve de concept. Notre procédé est donc finalisé. Il ne reste plus qu'à mettre en place le matériel. Quel sera son rôle ?
Imaginons une particule déposée sur sa base, et un système d'injection pour la distribution du produit, ou un produit chimique qui y est introduit. Si le temps de trajet est trop long ou trop court, cela aura un impact sur les paramètres de votre procédé : la pression, l'élimination des résidus, etc. Tout sera affecté par cette distance. Cette distance, nous la testons précisément sur notre banc d'essai.
Nous appelions cet outil un banc d'essai permettant de tester différentes architectures. Cette architecture repose essentiellement sur la conception des contacts dans la chambre, où l'on ajuste l'espace libre grâce à un premier contact et un contact creux permettant d'augmenter cet espace. Plus l'espace libre est important, plus la concentration chimique est élevée, et moins l'élimination des résidus est efficace, mais cela reste à vérifier.
C’est pourquoi, face à cette préoccupation, nous avons commencé à observer l’impact de la conception du plomb sur la qualité du revêtement. Nous avons donc collecté les données nécessaires. Lors de l’application de ce procédé, pour enrober des particules, nous avons dû définir certains paramètres. Ces paramètres ont été enregistrés et utilisés pour l’analyse.
Le premier facteur à prendre en compte est la variation de pression. Si la distance est plus grande, la réaction peut être plus intense ; si le temps de contact est plus long, le temps de séjour des réactifs sera également plus long, et la variation de pression sera donc plus importante.
Cela se vérifie grâce au test de normalité, qui porte sur la variation de pression entre les deux dérivations que nous avons effectuées. Nous avons observé si, en fonction du cycle, la variation augmente fortement ou faiblement lorsque la fréquence augmente. Dans JMP, nous avons utilisé le test de normalité et la méthode des boîtes à moustaches pour identifier les valeurs aberrantes.
C'est là toute la beauté de JMP. Non seulement il permet de détecter les valeurs aberrantes, mais il permet aussi d'en identifier la cause profonde en ajustant Y à X. Ce modèle Y × X peut être modélisé par un polynôme linéaire, révélant ainsi la relation entre la valeur aberrante et l'ensemble de données. Grâce à cela, nous pouvons reconnaître la cause profonde de la valeur aberrante.
La troisième étape [inaudible 00:06:14] consistait à comparer les deux ensembles de données de conception que nous avions recueillies. Nous avons ensuite confirmé notre hypothèse, c'est-à-dire, en termes techniques, si elle est correcte ou si nous avons une idée de la manière dont elle se déroulera. Je reviendrai maintenant à mes résultats.
Tout d'abord, comme je l'ai mentionné, nous avons deux conceptions. La première, la conception 1, présente un espace mort plus important. La seconde, la conception 2, visible ici, montre des données plus uniformes et normales. On constate une différence minime.
Mais ici, si vous regardez le graphique et le diagramme en boîte correspondant, vous constaterez la présence de nombreuses valeurs aberrantes. Pour revenir à notre propos, nous avons effectué un test de détection des valeurs aberrantes. Cet outil puissant de JMP permet de modifier le facteur Q et le quantile de queue afin de vérifier ou de réduire la plage de spécifications. Vous identifierez ainsi vos valeurs aberrantes, qu'il s'agisse de valeurs aberrantes marginales, de valeurs aberrantes liées au processus ou de valeurs aberrantes extrêmes.
Dans notre cas, nous recherchons la valeur aberrante extrême. Cette valeur aberrante extrême, nous ne l'avons identifiée que dans la première conception, et non dans la seconde, qui présente la marge de manœuvre la plus réduite. Cette marge de manœuvre réduite ne révèle aucune valeur aberrante. Nous aborderons ce point ultérieurement.
Mais avant cela, concernant la valeur aberrante extrême, nous avons cherché à en identifier la cause profonde. Nous avons tenté un ajustement linéaire (Y x X), un ajustement polynomial, et ce, à différents degrés. Malheureusement, aucune de ces méthodes n'a fonctionné, ni l'ajustement linéaire, ni l'ajustement polynomial. Nous avons alors découvert une autre approche : l'analyse non paramétrique de la densité de clusters, qui permet d'évaluer la significativité.
Bien qu'il s'agisse d'un test non paramétrique, l'intervalle de confiance sera de 95 %, contrairement au test paramétrique. Cela convient. Mais pour l'instant, cela montre, dans le cadre de cette étude, qu'il existe deux modèles différents, car il y a deux groupes distincts, comme vous pouvez le constater. Ces deux groupes sont différents l'un de l'autre, et cette distinction indique qu'il y a deux mécanismes à l'œuvre.
Si je fais le lien avec ma théorie technique, c'est comme si le processus, initialement censé augmenter linéairement ou avec une pente distincte, avait dévié de sa trajectoire. En résumé, le processus a dérivé. C'est ce qui nous préoccupe techniquement. En tant que technicien, si l'on considère que dans la chambre, un espace de tête important signifie que la distance entre la poudre et le point d'injection ou de retrait des produits chimiques est trop grande, le temps de séjour des produits chimiques et des résidus sera très long, ce qui peut avoir un impact non seulement sur le cycle initial, mais aussi sur les cycles suivants, et ce de manière significative.
Le processus peut évoluer progressivement vers un état complet, car il s'agit d'un processus cumulatif. Une couche se forme, puis une deuxième, et ainsi de suite. Si la structure est organisée en couches et que la première couche présente une forte condensation, la couche supérieure sera fortement détendue. C'est l'hypothèse que nous avons formulée. Grâce à cette hypothèse, nous avons pu visualiser l'étendue de la variation par rapport au cycle à l'aide d'une carte de contrôle, un outil remarquable.
Si vous regardez ici dans la plage mobile, les cycles initiaux, si vous voyez que le cycle initial est à un niveau différent, et soudain il y a un changement soudain, en fait, une chute soudaine je dirais, une chute soudaine dans la plage mobile, ce qui confirme à nouveau la dérive dans le processus.
En résumé, l'hypothèse et les données recueillies suggèrent que le processus a démarré normalement. Les premiers cycles se sont déroulés sans problème. Cependant, la présence d'un espace mort important entraîne un temps de séjour plus long, ce qui provoque une dérive du processus. C'est pourquoi la qualité du revêtement est fortement dégradée. La comparaison de ces résultats avec l'analyse de variance (ANOVA) confirme ces observations.
Voici la preuve statistique de l'hypothèse concernant le mécanisme à l'œuvre. Bien que le revêtement se dégrade dans le cas du premier modèle, quel est le mécanisme en cause ? Pour le prouver, on constate une dérive du processus, visible également sur le graphique de l'étendue mobile.
Finalement, nous avons comparé ces deux pistes à l'aide d'une analyse de variance à un facteur (ANOVA) afin de déterminer, statistiquement, si elles étaient identiques ou différentes. D'un point de vue statistique, l'analyse à un facteur a révélé que ces deux pistes étaient très différentes l'une de l'autre. Cette analyse a donc invalidé notre hypothèse selon laquelle ces deux variantes étaient identiques. C'est pourquoi je conclus que ces deux pistes ne sont pas similaires.
En résumé, l'étude JMP, que nous avons utilisée comme outil, conclut que la qualité du revêtement du prototype est médiocre en raison de la dérive du procédé. Cette hypothèse est confirmée par le graphique de l'étendue mobile, qui révèle la présence de nombreuses valeurs aberrantes, comme le suggère l'ajustement par plusieurs modèles. Enfin, ces deux pistes ne sont pas identiques.
Enfin, pour conclure cette présentation, je dois expliquer en quoi elle m'est utile en tant qu'ingénieur de procédés. J'ai effectué un travail de recherche, collecté et analysé des données, et je comprends le fonctionnement du système. Mais comment puis-je communiquer ces informations à mes parties prenantes ou à mes clients ? En effet, je dois fournir des données probantes.
Je dispose de ces données et, grâce à elles, je suis en mesure de confirmer l'hypothèse du processus de dérive dû à l'espace libre plus important. Nous pouvons ainsi décider que, pour le nouvel outil, lors de sa mise en service, l'espace libre devra être réduit et sera conforme à la conception.
Cet outil JMP m'a permis de démontrer mon hypothèse et de prendre des décisions éclairées quant à la conception. Voilà pour mon utilisation de cet outil. Je tiens à remercier les membres de mon équipe, mon instructeur, Charles, et ma mentor, Sukhti. Enfin, merci à l'équipe JMP de m'avoir offert cette nouvelle opportunité. Merci.
