Durch die Verwendung einer atomaren Schichtbeschichtung auf Wirkstoffpartikeln (API-Partikeln) lässt sich deren Oberfläche gezielt modifizieren und die Leistungsfähigkeit der API-Partikel verbessern. Das Hardware-Team von Applied hat ein eigenes Werkzeug zur Beschichtung dieser Partikel mit großer Oberfläche entwickelt.
Als Experimentalisten besteht unsere Hauptaufgabe im Projekt in der Optimierung des Verfahrens und der Bereitstellung von Feedback an das Hardware-Team für ein besseres Design auf Basis der gewonnenen Daten. In dieser Präsentation diskutieren wir zwei Datensätze, die aus verschiedenen Designs eines Hardwarebauteils stammen. Ziel ist es, die beiden Datensätze zu vergleichen und das Design mit der geringsten Abweichung zu finden. Dazu verwenden wir in JMP Werkzeuge wie Histogramme und die Funktion „Stetige Anpassung“, um die Verteilung der Prozessparameter und deren Art für beide Fälle zu analysieren. Ein Normalverteilungsdiagramm dient der Überprüfung auf Abweichungen von der Normalverteilung der Daten. Die Ausreißeranalyse erfolgt mit der Funktion „Ausreißer untersuchen“ in JMP, die eine einfache Datenvergleichsanalyse ermöglicht. Anhand der gewonnenen Daten wird die beste Option ausgewählt und für ein Upgrade vorgeschlagen. Die Untersuchung der Ausreißer hilft, die Streuung innerhalb der Daten zu bestimmen.
Hallo zusammen. Mein Name ist Neha Gupta und ich arbeite bei Applied Materials India Private Limited. Kurz zu mir: Ich bin Verfahrenstechnikerin und arbeite an einem Forschungs- und Entwicklungsprojekt bei Applied Materials.
In der vorliegenden Studie, deren Titel mit der Übersichtsarbeit übereinstimmt, ist die Änderung der Prozessparameter bei Änderungen der Hardwareebene eines der untersuchten Themen. Bevor ich mit der Präsentation beginne, möchte ich dem JMP-Team danken, das mir die Möglichkeit gegeben hat, über diese Arbeit zu sprechen.
Damit beginne ich meine Präsentation. Wie bereits erwähnt, arbeite ich für Applied Materials India Private Limited, ein Unternehmen der Halbleiterindustrie mit Expertise im Bereich der Atomlagenbeschichtung. Wir haben versucht, diese Atomlagenbeschichtung im angrenzenden Marktsegment, der Pharmaindustrie, anzuwenden.
Wir haben versucht, unsere Expertise im Bereich der Atomlagenbeschichtung von pharmazeutischen Partikeln zu nutzen, um deren Eigenschaften, insbesondere die von vertikalen pharmazeutischen Partikeln, zu verbessern. Damit haben wir bereits einen Machbarkeitsnachweis erbracht. Wir konnten im kleinen Maßstab zeigen, dass wir durch die ALC-Beschichtung die Fließfähigkeit, die Bioverfügbarkeit usw. der Partikel verbessern können.
Nun müssen wir die Produktion hochskalieren. Bevor wir näher auf die Details von JMP eingehen, möchte ich kurz erläutern, wie wir JMP bisher als Werkzeug genutzt haben, um unseren technischen Bereich, unsere Expertise und unsere Forschungsergebnisse zu erläutern. JMP hat uns dabei unterstützt. Wie bereits erwähnt, können wir durch diese Partikelbeschichtung die Eigenschaften der Partikel verbessern.
Unser Endprodukt, unser oberstes Ziel ist die Beschichtung. Die Qualität dieser Beschichtung muss hoch sein. Mit einer guten Beschichtungsqualität können wir noch viel mehr erreichen. Die Beschichtungsqualität wird von zahlreichen Parametern beeinflusst. In JMP steht uns ein sehr gutes Werkzeug zur Verfügung, um dies darzustellen: das Ursache-Wirkungs-Diagramm.
Wie kann ich als Laie veranschaulichen, wie mein Endprodukt von verschiedenen Parametern und Faktoren beeinflusst wird? Hier ist ein Beispiel: ein Ursache-Wirkungs-Diagramm. Darin zeige ich, wie die Beschichtungsqualität durch den Prozess und die Pulverbewegung beeinflusst wird, da die Oberfläche sehr groß ist.
Konventionelles ALD-Verfahren wirkt auf der Füllschicht, nicht auf dem Pulver. Die Oberfläche des Pulvers ist deutlich größer als die der dünnen Füllschicht. Daher spielen die Prozessparameter – der Einfluss der PADL (Pulver-Aktivierungsschicht), die Pulverbewegung, die Zugabe der Reaktionschemikalien, die Entfernung der Rückstände, der Abstand zwischen den beiden Komponenten und der Temperatureinfluss auf die gesamte chemische Reaktion – eine entscheidende Rolle.
Dies sind einige Parameter, die die Beschichtungsqualität beeinflussen. Würde ich das jetzt in einem Absatz erklären, wäre es unverständlich. Ein Ursache-Wirkungs-Diagramm hingegen, das wir gerade verwendet haben, veranschaulicht es viel besser.
Um auf meinen ursprünglichen Punkt zurückzukommen: Die Beschichtungsqualität wird von den sechs Parametern beeinflusst. Aktuell konzentrieren wir uns auf den Headspace, da der Prozess bereits festgelegt ist. Wir haben dies bereits in kleinem Maßstab als Machbarkeitsnachweis demonstriert. Unser Prozess ist also etabliert. Nun geht es um die Hardware. Welche Rolle wird die Hardware dabei spielen?
Angenommen, Sie haben ein Partikel auf der Basis und ein Injektionssystem zur gezielten Wirkstoffabgabe oder eine chemische Substanz, die in das Partikel eingebracht wird. Dauert der Weg dorthin zu lange oder zu kurz, beeinflusst dies Ihre Prozessparameter, den Druck, die Rückstandsentfernung – alles ändert sich mit dieser Distanz. Diese Distanz testen wir mit unserem Prüfstand.
Früher nannten wir dieses Gerät einen Prüfstand, an dem wir verschiedene Architekturen testen konnten. Diese Architektur basiert im Wesentlichen auf dem Design der Kammer, in der wir den Gasraum mithilfe des ersten, hohlen Anschlusses vergrößern oder verkleinern. Je größer der Gasraum, desto höher die chemische Belastung und desto geringer die Rückstandsentfernung – das müssen wir überprüfen.
Aus diesem Grund haben wir begonnen, den Einfluss des Bleidesigns auf die Beschichtungsqualität zu untersuchen. Dazu haben wir die entsprechenden Daten erfasst. Beim Auftragen dieses Verfahrens auf Partikel mussten wir verschiedene Parameter eingeben, die wir aufgezeichnet und für die Analyse verwendet haben.
Dabei ist zunächst die Druckänderung zu berücksichtigen. Je größer der Abstand, desto mehr Reaktionen können stattfinden; je länger die Verweilzeit, desto länger die chemische Reaktion, und desto größer die Druckänderung.
Das lässt sich anhand der Normalitätsprüfung und der gemessenen Druckänderung zwischen zwei Ableitungen erkennen. Wir haben untersucht, ob es im Zusammenhang mit dem Zyklus eine Veränderung gibt, also ob der Druckanstieg stark oder schwach ist. In JMP haben wir hierfür die Normalitätsprüfung und die Box-Clots verwendet, um Ausreißer zu identifizieren.
Das ist das Schöne an JMP. Man kann nicht nur Ausreißer erkennen, sondern auch deren Ursache ermitteln, indem man Y durch X anpasst. Mithilfe dieser linearen Polynomanpassung lässt sich der Zusammenhang zwischen dem Ausreißer und den übrigen Daten bestimmen. So können wir den Ausreißer erkennen oder seine Ursache identifizieren.
Der dritte Schritt [unverständlich 00:06:14] war der Vergleich der beiden Datensätze, die wir erhoben hatten. Anschließend bestätigten wir unsere Hypothese, die besagt, dass sie entweder zutrifft oder wie es weitergehen wird. Damit komme ich nun auf meine Ergebnisse zurück.
Wie bereits erwähnt, gibt es zwei Designs. Das erste Design zeichnet sich durch einen höheren Headspace aus und wird daher als Design 1 bezeichnet. Das zweite Design, Design 2, zeigt hier einheitlichere bzw. normale Daten. Die Unterschiede sind hier deutlich geringer.
Aber wenn Sie sich hier das Design und den zugehörigen Boxplot ansehen, werden Sie feststellen, dass es viele Ausreißer gibt. Um auf den Punkt zurückzukommen: Wir haben den Ausreißertest durchgeführt, ein sehr leistungsstarkes Werkzeug in JMP. Hier können wir den Q-Faktor und das Tail-Quantil ändern, um den Spezifikationsbereich zu überprüfen oder zu verkleinern und so den Ausreißer zu identifizieren. Dabei kann es sich um einen marginalen, einen prozessbedingten oder einen extremen Ausreißer handeln.
In unserem Fall suchen wir nach dem extremen Ausreißer. Diesen konnten wir nur in Entwurf 1 ermitteln, nicht aber in Entwurf 2, der weniger Platz bietet. In diesem Entwurf mit weniger Platz ist kein Ausreißer erkennbar. Diese Diskussion werden wir später führen.
Zuvor haben wir uns jedoch mit dem extremen Ausreißer befasst und versucht, die Ursache zu ermitteln. Wir haben verschiedene Anpassungsmethoden ausprobiert, darunter lineare und polynomische Regressionen (Y x X) mit unterschiedlichen Polynomgraden. Dabei stellten wir fest, dass weder die lineare noch die polynomische Regression in diesen beiden Fällen zum Erfolg führten. Schließlich stießen wir auf einen weiteren wichtigen Aspekt: die nichtparametrische Clusteranalyse.
Obwohl es sich um ein nichtparametrisches Verfahren handelt, beträgt das Konfidenzintervall im Vergleich zu parametrischen Verfahren 95 %. Das ist in Ordnung. Im Rahmen der vorliegenden Studie zeigt sich jedoch, dass zwei verschiedene Modelle existieren, da es zwei unterschiedliche Cluster gibt, wie hier ersichtlich. Diese beiden Cluster unterscheiden sich voneinander, und die Clusterbildung deutet im Wesentlichen darauf hin, dass zwei Mechanismen gleichzeitig wirken.
Wenn ich dies mit meiner technischen Theorie verknüpfe, bedeutet das, dass der Prozess ursprünglich linear oder mit einer bestimmten Steigung verlaufen sollte, sich dann aber verschoben hat. Insgesamt hat sich der Prozess verändert. Genau das ist unser technisches Problem. Als Techniker sollten Sie bedenken, dass in der Kammer ein zu großer Kopfraum bedeutet, dass bei zu großem Abstand zwischen Pulver und Chemikalienentnahme bzw. -einspritzung die Verweilzeit der Chemikalien und die Menge an Rückständen sehr hoch sind. Dies kann sich nicht nur auf den ersten Zyklus, sondern auch auf spätere Zyklen auswirken und erhebliche Folgen haben.
Der Prozess kann sich einem vollständigen Ablauf annähern, da es sich um einen schrittweisen Prozess handelt. Eine Schicht baut sich auf, dann die zweite und so weiter. Bei dieser schichtweisen Struktur und einer hohen Kondensation in der ersten Schicht driftet die darüberliegende Schicht stark ab. Dies ist unsere Hypothese. Mithilfe der Kontrollkarte, einem weiteren hervorragenden Werkzeug, konnten wir die Schwankungsbreite im Zyklus visualisieren.
Wenn Sie hier im gleitenden Bereich die Anfangszyklen betrachten, sehen Sie, dass der Anfangszyklus auf einem anderen Niveau liegt und es dann plötzlich zu einer plötzlichen Änderung kommt, genauer gesagt zu einem plötzlichen Abfall, würde ich sagen, einem plötzlichen Abfall im gleitenden Bereich, was wiederum die Drift im Prozess bestätigt.
Die Hypothese und die vorliegenden Daten deuten im Wesentlichen darauf hin, dass der Prozess zunächst normal verlief. Die ersten Zyklen verliefen normal. Aufgrund des großen Luftraums und der damit verbundenen längeren Verweilzeit ist der Prozess jedoch vom Sollzustand abgewichen. Dies führt zu Problemen mit der Beschichtungsqualität. Der Vergleich mit der ANOVA bestätigt diese experimentellen Daten.
Dies ist der statistische Beweis für die Hypothese, welcher Mechanismus zugrunde liegt. Obwohl sich die Beschichtung bei Ausführung 1 verschlechtert, bleibt der zugrundeliegende Mechanismus unklar. Um diesen Mechanismus zu beweisen, lässt sich die Abweichung des Prozesses anhand des gleitenden Bereichsdiagramms nachvollziehen.
Schließlich haben wir die beiden Ergebnisse mittels einer einfaktoriellen Varianzanalyse (ANOVA) verglichen, um statistisch zu prüfen, ob sie identisch oder unterschiedlich sind. Statistisch gesehen liegen die beiden Ergebnisse, wie die einfaktorielle Analyse ergab, sehr weit auseinander. Die Analyse bestätigte somit unsere Hypothese, dass die beiden Varianten identisch sind. Daher würde ich sagen, dass die beiden Ergebnisse nicht vergleichbar sind.
Zusammenfassend lässt sich sagen, dass die in dieser Studie verwendete Methode JMP unsere Hypothese stützt, wonach die Beschichtungsqualität in Design 1 aufgrund von Prozessabweichungen mangelhaft ist. Dies wird durch das gleitende Bereichsdiagramm bestätigt. Es gibt zahlreiche Ausreißer, was die von uns gezeigte multiple Modellanpassung untermauert. Abschließend lässt sich festhalten, dass die beiden Ergebnisse nicht identisch sind.
Abschließend möchte ich noch erläutern, welchen Nutzen mir diese Präsentation als Prozessingenieur bringt. Ich habe meine Arbeit erledigt, Daten gesammelt und analysiert und weiß, wie die Prozesse funktionieren. Doch wie kommuniziere ich dieses Wissen an meine Stakeholder oder Kunden? Ich muss meine Erkenntnisse mit Daten untermauern.
Ich verfüge über diese Daten und kann damit die Hypothese des Driftprozesses aufgrund des größeren Gasraums untermauern. Wir können daher entscheiden, dass bei dem neuen Werkzeug, sobald es verfügbar ist, der Gasraum reduziert werden sollte und dass dies dem Design entspricht.
Dieses JMP-Tool hat mir geholfen, meine Hypothese zu beweisen und die richtige Designentscheidung zu treffen. Das war alles zu meinem Tool. Abschließend möchte ich mich bei meinen Teammitgliedern, meinem Dozenten Charles und meiner Mentorin Sukhti bedanken. Ein großes Dankeschön geht auch an das JMP-Team für die erneute Chance. Vielen Dank.
