通过在活性药物成分（API）颗粒上进行原子层涂层处理，可以对其表面进行定制，从而提高API颗粒的性能。应用材料公司的硬件团队自主研发了一种工具，用于对这些高比表面积颗粒进行涂层处理。
作为实验人员，我们在项目中的主要职责是优化工艺流程，并根据获得的数据向硬件团队提供反馈，以改进设计。本次报告中，我们将讨论从同一硬件部件的不同设计中获得的两组工艺数据。目标是比较这两组数据，并找到偏差最小的设计方案。为此，我们使用 JMP 中的直方图和连续拟合等工具来观察两种情况下工艺参数的分布及其分布类型。我们使用正态分位数图来检查数据集的正态性是否存在偏差。我们使用 JMP 中的“探索异常值”功能进行异常值分析，从而实现单因素方差分析以进行数据比较。根据获得的数据，我们选择最佳方案并提出升级建议。探索异常值有助于确定数据集中的偏差。
大家好，我是Neha Gupta，目前在印度应用材料有限公司工作。在正式开始演讲之前，先简单介绍一下我的背景。我是一名工艺工程师，主要负责应用材料公司的研发项目。
本次研究的标题与综述内容相符，其中一项研究是“硬件层变化对工艺参数的影响”。在正式开始报告之前，我要感谢JMP团队，感谢他们给予我这次机会来介绍这项工作。
接下来，我将开始我的演讲。正如我之前提到的，我目前就职于应用材料印度有限公司，这是一家半导体公司，拥有原子层涂层技术。我们尝试将这项原子层涂层技术应用于相邻的市场领域——制药领域。
我们尝试利用自身在药物颗粒原子层包覆方面的专业知识，来改善药物垂直颗粒的性能。目前，我们已经初步验证了这一概念。小规模实验表明，在颗粒表面进行原子层包覆可以提高其流动性、生物利用度等性能。
现在的任务是扩大规模。就目前而言，在更详细地介绍JMP之前，我想先说明一下，我们目前所做的是，将JMP作为一种工具来阐述我们的技术领域、技术专长和技术发现，而JMP在这方面为我们提供了支持。正如我之前提到的，对于这种颗粒包覆，我们可以改善颗粒的性能。
我们最终的产品，我们的最终目标是涂层。涂层的质量必须优良。如果涂层质量优良，我们就能做得更好。涂层质量也受到多种参数的影响。在JMP中，我们有一个非常好的工具可以展示这些影响，它被称为因果图。
作为一个外行，如果我想向别人展示最终产品会受到多种参数或因素的影响，我该如何展示呢？这就是方法。这张因果图展示了我的涂层质量会受到工艺流程和粉末搅拌的影响，因为涂层具有很高的表面积。
传统的原子层沉积（ALD）工艺是在填充层上进行，而不是在粉末层上。粉末的表面积远大于薄填充层。在这种情况下，工艺参数、粉末沉积层厚度（PADL）的影响、粉末的搅拌、反应中化学试剂的添加方式、残留物的去除方式，以及这两者之间的距离所起的作用，还有温度对整个化学反应的影响，都会影响最终结果。
以上是一些影响涂层质量的参数。如果我用一段话来描述，恐怕没人能理解。但如果我用因果图来解释，就能更好地说明问题，而这正是我们现在使用的解释方法。
回到我最初的观点，涂层质量受六个参数的影响。目前，我们专注于顶空，因为工艺已经确定。我们已经在小规模上验证了这一概念。我们的工艺已经完成。现在，关键在于硬件。那么，硬件将如何发挥作用呢？
假设你有一个颗粒位于基座上，而你有一个气相输送注射系统，或者你正在向其中注入某种化学物质。如果物质到达目标位置所需的时间过长或过短，都会影响你的工艺参数，例如压力、残留物去除率等等，所有这些都会随着这个距离而改变。这个距离正是我们用测试台进行测试的内容。
我们过去称这个工具为测试平台，我们可以在上面测试不同的结构。这种结构基本上是指腔室内的引线设计，我们会在其中放置或减少引线顶部空间，第一个引线是空心的，它可以增加顶部空间的大小。顶部空间越大，化学反应越强烈，残留物去除率可能越低，也可能不会。这需要我们进行验证。
鉴于此，我们开始关注引线设计对涂层质量的影响。为此，我们收集了相关数据。在运行此配方时，当我们尝试对某些颗粒进行涂层处理时，需要输入一些参数，我们记录了这些参数并将其用于分析。
首先，压力变化是需要考虑的因素。如果距离更远，反应可能更剧烈；如果静置时间更长，化学物质的停留时间也更长，压力变化自然也会更大。
通过正态性检查，我们可以观察到两个导联之间的压力变化，也就是我们采集到的数据。我们观察了压力变化是否与周期有关，例如，当我们增加周期时，压力变化是大幅增加还是小幅增加。为此，我们在JMP中使用了正态性检查和方框标记来识别异常值。
这就是 JMP 的妙处所在。它不仅能检测出异常值，还能通过拟合 Y 对 X 的关系来找出其根本原因。通过拟合 Y 对 X 的线性多项式，我们可以了解异常值与自身数据集之间的关系。这样一来，我们就能识别出异常值的根本原因。
第三步是[听不清 00:06:14]，我们比较了这两个设计数据集，也就是我们收集到的数据。然后我们验证了我们的假设，也就是我们从技术上得出的结论，即假设是否正确，或者接下来会如何发展。接下来，我将介绍我的结果。
首先，正如我之前提到的，我们有两种设计方案。第一种方案的顶空容积较大，我们称之为方案一。另一种方案是方案二，您可以在这里看到，其数据分布更均匀或更接近正态分布。您会发现两者之间的差异非常小。
但是，如果您查看设计图以及相应的箱线图，就会发现其中有很多异常值。现在，回到正题，我们已经进行了异常值检验，这是 JMP 中一个非常强大的工具，我们可以更改 Q 因子和尾部分位数来检查或缩小规格范围，从而确定您所说的异常值。这些异常值可能是边缘异常值、过程异常值或极端异常值。
就我们而言，我们正在寻找极端异常值。这个极端异常值只能在设计方案一中找到，而无法在设计方案二中找到，因为设计方案二的头部空间较小。头部空间较小的设计方案二没有显示任何异常值。我们稍后会讨论这个问题。
但在此之前，我想说，对于这个极端异常值，我们只是尝试找出根本原因。我们尝试了 Y 对 X 的线性拟合、多项式拟合以及不同阶数的多项式拟合。但我们发现，对于这两个特定原因，线性拟合和多项式拟合都行不通。然后，我们注意到还有一点需要用到，那就是非参数聚类密度分析，也就是显著性分析。
虽然它是非参数检验，所以置信区间为 95%，与参数检验相比，这没问题。但就目前而言，这表明本研究存在两种不同的模型，因为存在两个不同的聚类，正如您在这里看到的。这两个聚类彼此不同，并且该聚类基本上表明存在两种机制在起作用。
如果我将此与我的技术理论联系起来，那就好比最初工艺流程应该是线性增长或以特定斜率增长，但后来却发生了偏移。总的来说，工艺流程发生了偏差。这就是我们技术上关注的问题。作为一名技术人员，如果你考虑到，在反应室中，如果顶部空间过大，意味着从粉末到化学药剂的移除或注入点之间的距离过长，那么化学药剂和残留物的停留时间就会非常长，这可能不会影响初始循环，但会对后续循环产生显著影响。
它可以逐渐形成一个完整的过程，因为这是一个层层递进的过程。一层会形成，然后第二层会形成，以此类推。如果这是分层结构，第一层有很多凝聚物，那么上层就会发生很大的漂移。这就是我们提出的假设。基于此，我们借助控制图（又一个非常棒的工具）绘制了图表，观察了周期内的移动范围。
如果你在这里观察移动区间，你会发现初始周期处于不同的水平，然后突然发生了突然的变化，实际上，应该说是突然下降，移动区间突然下降，这再次证实了过程中的漂移。
基本上，假设和数据总体上表明该工艺初始阶段运行正常。前几个循环的运行也正常。但由于顶部空间较大，停留时间较长，因此工艺出现了偏差。这就是涂层质量出现诸多问题的原因。我们将此结果与方差分析（ANOVA）进行比较，发现我们的实验数据也印证了这一点。
这是对同一假设的统计证明，揭示了正在发生的机制。虽然在设计一的情况下涂层质量越来越差，但其机制是什么？为了证明这一机制，我们可以从移动极差图中看出，该过程已经发生了偏移。
最后，我们采用单因素方差分析（ANOVA）比较了这两个线索，试图从统计学角度判断它们是否相同。从统计学角度来看，单因素分析结果显示这两个线索差异很大。该分析表明，我们关于这两个变异体相同的假设不成立。因此，我认为这两个线索并不相似。
总的来说，本研究的结论是，我们使用JMP作为工具来证明我们的假设，即设计一中的涂层质量较差是由于工艺漂移造成的。这一点可以得到证实，移动极差图也证实了这一点。图中存在大量异常值，这再次印证了我们之前展示的多模型拟合结果。最后，这两个结论并不相同。
最后，如果我总结整个演示内容，我会说，作为一名工艺工程师，我做了一些工作，收集了数据，分析了数据，了解了它的运作方式，但我该如何将这些成果传达给我的利益相关者或客户呢？从这个意义上讲，因为我必须展示一些数据，或者说，我应该有一些佐证数据。
我有这些数据，凭借这些数据，我能够确信由于较高的顶部空间而导致的漂移过程的假设，并且我们能够据此做出决定，即当新的工具问世时，顶部空间应该减少，并且将与设计相符。
JMP 的这款工具帮助我展示或验证了我的假设，并最终确定了正确的设计方案。以上就是关于这款工具的全部内容。最后，我要感谢我的团队成员、我的指导老师 Charles 和我的导师 Sukhti。再次感谢 JMP 团队给予我这次机会。谢谢！
