Utilizzando un rivestimento a strati atomici sulle particelle di principio attivo farmaceutico (API), la superficie può essere personalizzata e può migliorare le prestazioni delle particelle API. Il team hardware di Applied ha progettato uno strumento interno per il rivestimento di queste particelle ad alta area superficiale.
In qualità di sperimentatori, il nostro ruolo principale nel progetto è l'ottimizzazione della ricetta e, sulla base dei dati ottenuti, forniamo feedback al team hardware per una migliore progettazione. In questa presentazione, analizzeremo due set di dati di processo ottenuti da diversi progetti di uno dei componenti hardware. L'obiettivo è confrontare i due set di dati e individuare il progetto con la minima variazione. A questo scopo, utilizziamo strumenti di JMP come istogrammi e adattamento continuo per visualizzare la distribuzione dei parametri di processo e il tipo di distribuzione in entrambi i casi. Un grafico dei quantili normali viene utilizzato per verificare eventuali variazioni nella normalità del set di dati. L'analisi dei valori anomali viene eseguita utilizzando Explore Outlier in JMP, consentendo un'analisi unidirezionale per il confronto dei dati. Con i dati ottenuti, viene scelta l'opzione migliore e proposta per l'aggiornamento. L'esplorazione dei valori anomali aiuta a determinare la variazione nel set di dati.
Ciao a tutti. Sono Neha Gupta e lavoro presso Applied Materials, India Private Limited. Un breve cenno di background prima di iniziare questa presentazione. Sono un ingegnere di processo che lavora per questo progetto di ricerca e sviluppo nel settore dei materiali applicati.
Per questo studio attuale, il cui titolo si collega alla revisione, la modifica dei parametri di processo con la modifica del livello hardware è uno degli argomenti trattati. Prima di iniziare la presentazione, vorrei ringraziare il team di JMP che mi ha dato l'opportunità di parlare di questa presentazione e di questo lavoro.
Con questo, inizierò la mia presentazione. Come ho detto, lavoro per Applied Materials India Private Limited, un'azienda che opera nel settore dei semiconduttori e vanta una vasta esperienza nel rivestimento a strati atomici. Abbiamo cercato di utilizzare questo rivestimento a strati atomici in un mercato adiacente, quello farmaceutico.
Quello che abbiamo cercato di fare è stato sfruttare la nostra esperienza nel rivestimento a strati atomici delle particelle farmaceutiche e cercare di migliorarne le proprietà, ovvero le proprietà delle particelle verticali farmaceutiche. Con questo, abbiamo già una dimostrazione pratica. Abbiamo già dimostrato su piccola scala che, applicando il rivestimento ALC alle particelle, possiamo migliorarne la fluidità, la biodisponibilità e così via.
Ora il compito è quello di aumentare la scala. Per il momento, prima di entrare nei dettagli di JMP, direi che abbiamo utilizzato JMP come strumento per spiegare la nostra area tecnica, la nostra competenza tecnica, le nostre scoperte tecniche, e JMP ci ha supportato in questo. Come ho detto, per questo rivestimento di particelle possiamo migliorare le proprietà delle particelle.
Il nostro prodotto finale, il nostro obiettivo finale è il rivestimento. La qualità del rivestimento deve essere buona. Se la qualità del rivestimento è buona, possiamo fare molto meglio. La qualità del rivestimento è anche influenzata da molteplici parametri. Nel JMP, disponiamo di un ottimo strumento per rappresentare quello che viene chiamato diagramma causa-effetto.
Da profano, se volessi dimostrare che questo è il mio prodotto finale e che sarà influenzato da molteplici parametri o fattori, come lo dimostrerei? Questa è una cosa. Questo è il diagramma causa-effetto in cui ho mostrato che la qualità del mio rivestimento è influenzata dal mio processo, dalla mia agitazione della polvere, perché si tratta di un'area superficiale elevata.
Solo l'ALD convenzionale si trova sul riempimento, non sulla polvere. Nella polvere, l'area superficiale è molto, molto più elevata rispetto al riempimento sottile. In tal caso, i parametri di processo, l'impatto del PADL, l'agitazione della polvere, il modo in cui si immette la chimica per le reazioni, il modo in cui si eliminano i residui, e poi come questa distanza tra questi due fattori gioca un ruolo, e qual è l'impatto della temperatura sull'intera chimica.
Questi sono alcuni parametri che incidono sulla qualità del rivestimento. Ora, se dicessi che si tratta di un paragone, nessuno lo capirebbe. Ma se mostrassi questo diagramma, il diagramma causa-effetto, sarebbe un modo molto più efficace per spiegarlo, come abbiamo già fatto finora.
Tornando al mio punto di partenza, la qualità del rivestimento è influenzata dai sei parametri. Al momento, ci siamo concentrati sullo spazio di testa perché il processo è già stato impostato. Abbiamo già dimostrato, su piccola scala, come proof of concept. Il nostro processo è già impostato. Ora, il punto è l'hardware. Ora, come svolgerà il ruolo l'hardware?
Supponiamo di avere una particella appoggiata sulla base e di avere un sistema di iniezione a rilascio di gas, o di avere una sostanza chimica che la compone. Se impiega troppo tempo per raggiungere questo obiettivo, o se impiega meno tempo, ciò avrà un impatto sui parametri di processo, sulla pressione, sulla rimozione dei residui: tutto cambierà con questa distanza. Quella distanza è quella che stiamo testando con il nostro banco di prova.
Chiamavamo questo strumento un banco di prova dove possiamo utilizzare diverse architetture. Questa architettura è fondamentalmente la progettazione del piombo nella camera in cui inseriremo o ridurremo lo spazio di testa del piombo con il primo piombo, che è quello cavo, che può aumentare le dimensioni dello spazio di testa. Maggiore è lo spazio di testa, maggiore è la chimica, minore è la rimozione dei residui, potrebbe essere, o non essere. Questo dobbiamo verificarlo.
Per questo motivo, con questa preoccupazione, abbiamo iniziato a vedere l'impatto della progettazione del piombo sulla qualità del rivestimento. Con questo, abbiamo raccolto i dati per questo specifico aspetto. Mentre eseguivamo questa ricetta, quando cercavamo di rivestire alcune particelle, avevamo alcuni parametri da fornire, e quei parametri li abbiamo registrati e utilizzati per l'analisi.
In questo caso, la prima cosa da fare è la variazione di pressione. Se la distanza è maggiore, forse si verificherà una maggiore reazione; se il tempo di permanenza è più lungo, il tempo di permanenza della reazione chimica sarà maggiore, e la variazione di pressione sarà maggiore.
Questo può essere osservato con il controllo di normalità, questa variazione di pressione tra due derivazioni, ciò che abbiamo preso. Abbiamo visto se c'è rispetto al ciclo, se stiamo aumentando il ciclo, o sta aumentando molto o sta aumentando meno. Per questo, nel JMP, ciò che abbiamo utilizzato è il controllo di normalità e i box coaguli per identificare i valori anomali.
Questa è la bellezza di JMP. Non puoi semplicemente rilevare il valore anomalo, puoi anche ricavarne la causa principale adattando Y per X. Da Y per X, puoi adattare il polinomio lineare, ovvero la relazione che il valore anomalo ha con il tuo set di dati. In questo modo, possiamo riconoscerlo, oppure possiamo identificare qual è la causa principale del valore anomalo.
Il terzo passaggio è stato [inudibile 00:06:14], in cui abbiamo confrontato questi due set di dati di progettazione, ciò che abbiamo raccolto. Poi abbiamo confermato la nostra ipotesi, ciò che tecnicamente abbiamo detto, o è corretta o come andrà avanti. Fatto questo, tornerò ai miei risultati.
Innanzitutto, come ho detto, abbiamo due design. Nel primo design, quello con headspace più alto, noto come design, che abbiamo definito design uno. L'altro è il design due, che potete vedere qui, dove i dati sono più uniformi o normali. Direte che c'è una differenziazione molto minore.
Ma qui, se osservate il disegno e il box plot corrispondente, se vedete che ci sono molti valori anomali, potete vedere che ci sono anche. Ora, tornando al punto, mentre abbiamo eseguito il test degli outlier, che è uno strumento molto potente in JMP, dove possiamo modificare il fattore q e cambiare il quantile di coda per controllare o compattare l'intervallo delle specifiche, quello che direte è il vostro outlier. O è un outlier marginale, o è un outlier di processo, o è un outlier estremo.
Nel nostro caso, stiamo cercando il valore anomalo estremo. Questo valore anomalo estremo, lo abbiamo potuto individuare solo nel progetto uno, non nel progetto due, che ha meno spazio di testa. Questo spazio di testa inferiore non mostra alcun valore anomalo. Ne parleremo più avanti.
Ma prima di ciò, direi che con l'outlier estremo, abbiamo solo cercato di individuare la causa principale. Abbiamo provato a fare un adattamento con l'adattamento lineare Y per X, l'adattamento polinomiale, diversi gradi nell'adattamento polinomiale. Ma quello che siamo riusciti a capire è che nulla funziona per queste due ragioni specifiche, né l'adattamento lineare dei raggi né quello polinomiale. Poi ci siamo imbattuti in un altro punto chiamato analisi della densità dei cluster non parametrica, ovvero la significatività.
Sebbene sia non parametrico, l'intervallo di confidenza sarà del 95% rispetto al modello parametrico. Va bene. Ma al momento, ciò che mostra lo studio attuale è che ci sono due modelli diversi perché ci sono due cluster diversi, come potete vedere qui. Questi due cluster sono diversi tra loro, e questo cluster in sostanza vi dirà che sono in atto due meccanismi.
Se collego questo alla mia teoria tecnica, è come se inizialmente il processo dovesse essere incrementato linearmente o con una pendenza separata, ma poi è stato spostato. Nel complesso, il processo è stato deviato. Questa è la nostra preoccupazione tecnica. Come tecnico, se si pensa che nella camera, se si ha uno spazio di testa maggiore, ciò significa che se la distanza tra la polvere e la rimozione della sostanza chimica o l'iniezione è eccessiva, il tempo di permanenza della sostanza chimica e dei residui sarà molto elevato, il che può avere un impatto non sul ciclo iniziale, ma su quello successivo, e può avere un impatto notevole.
Può deviare verso un processo completo perché questo è il processo di accumulo. Uno strato si accumulerà, poi si accumulerà il secondo strato e infine si accumulerà il terzo strato. Se questa è la struttura a strati, il primo strato presenta molta condensazione, quindi quello superiore subirà una deriva notevole. Questa è l'ipotesi che abbiamo preso in considerazione. Con ciò, quando abbiamo tracciato i dati con l'aiuto della carta di controllo, che è ancora una volta uno degli strumenti più sorprendenti con cui abbiamo osservato l'intervallo di variazione rispetto al ciclo.
Se osservate qui nell'intervallo mobile, i cicli iniziali, se osservate che il ciclo iniziale è a un livello diverso, e improvvisamente si verifica un cambiamento improvviso, in realtà, un calo improvviso direi, un calo improvviso nell'intervallo mobile, che conferma ancora una volta la deriva nel processo.
In sostanza, l'ipotesi e questi dati nel complesso suggerivano che il processo fosse iniziato normalmente. Il processo era iniziato normalmente con i primi cicli. Ma poiché c'era molto spazio di testa, il tempo di residenza era più lungo, ecco perché il processo era deviato. Ecco perché sta dando molti problemi alla qualità del rivestimento. Confrontando questo con l'ANOVA, anche i nostri dati sperimentali confermano la stessa affermazione.
Questa è la prova statistica della stessa ipotesi: qual è il meccanismo in atto? Sebbene il rivestimento peggiori nel caso del design one, qual è il meccanismo? Per dimostrare questo meccanismo, il processo è stato deviato, come possiamo vedere anche con il grafico a intervallo mobile.
Infine, abbiamo confrontato queste due derivazioni con l'ANOVA unidirezionale e abbiamo cercato di verificare, statisticamente, se fossero identiche o diverse. Dal punto di vista statistico, nonostante l'analisi unidirezionale, queste due derivazioni sono molto diverse tra loro. Quell'analisi ha dimostrato che la nostra ipotesi che queste due varianti fossero identiche è fallita. Ecco perché direi che queste due derivazioni non sono simili.
Nel complesso, la conclusione di questo studio, JMP, è stata utilizzata come strumento per dimostrare la nostra ipotesi secondo cui la qualità del rivestimento nel progetto 1 è scarsa a causa della deriva del processo. Ciò può essere confermato, e lo conferma anche il grafico dell'intervallo mobile. Ci sono molti valori anomali, il che, ancora una volta, suggerisce l'adattamento multiplo del modello che abbiamo mostrato. Infine, questi due lead non sono identici.
Infine, se dovessi concludere questa presentazione, vorrei dire quanto questo sia utile per me come ingegnere di processo: ho svolto del lavoro, ho raccolto i miei dati, li ho analizzati, so come funziona, ma come lo comunicherò ai miei stakeholder o ai miei clienti. In questo senso, perché devo mostrare, o dovrei avere dei dati di supporto.
Ho questi dati e con quelli sono in grado di convincere che l'ipotesi del processo di deriva è dovuta all'aumento dello spazio di testa, e siamo in grado di prendere una decisione in base al nuovo strumento, quando verrà introdotto, lo spazio di testa dovrà essere ridotto e sarà compatibile con il progetto.
Questo strumento JMP mi ha aiutato a dimostrare o dimostrare la mia ipotesi e a prendere una decisione su quale fosse la corretta progettazione. Tutto questo è merito del mio strumento. Infine, vorrei ringraziare i membri del mio team, il mio istruttore, Charles, e il mio mentore, Sukhti. Infine, grazie al team JMP per avermi dato ancora una volta una possibilità. Grazie.
