Al aplicar un recubrimiento de capa atómica a partículas de ingrediente farmacéutico activo (API), se puede adaptar su superficie y mejorar su rendimiento. El equipo de hardware de Applied ha diseñado una herramienta interna para aplicar el recubrimiento a estas partículas de gran área superficial.
Como experimentalistas, nuestro rol principal en el proyecto es optimizar la receta y, con base en los datos obtenidos, brindar retroalimentación al equipo de hardware para un mejor diseño. En esta presentación, discutimos dos conjuntos de datos de proceso obtenidos de diferentes diseños de una de las partes del hardware. El objetivo es comparar los dos conjuntos de datos y encontrar el diseño con mínima variación. Para esto, usamos herramientas en JMP como histogramas y ajuste continuo para ver la distribución del parámetro de proceso y el tipo de distribución para ambos casos. Se usa un gráfico de cuantiles normal para verificar cualquier variación en la normalidad del conjunto de datos. El análisis de valores atípicos se realiza usando Explore Outlier en JMP, lo que permite el análisis unidireccional para la comparación de datos. Con los datos obtenidos, se elige la mejor opción y se propone para actualización. Explorar los valores atípicos ayuda a determinar la variación en el conjunto de datos.
Hola a todos. Soy Neha Gupta y trabajo en Applied Materials, India Private Limited. Les daré una breve introducción antes de comenzar esta presentación. Soy ingeniera de procesos y trabajo en este proyecto de I+D en materiales aplicados.
En este estudio, cuyo título coincide con la revisión, se aborda el cambio del parámetro de proceso con el cambio de la capa de hardware. Antes de comenzar la presentación, quisiera agradecer al equipo de JMP por brindarme la oportunidad de hablar sobre esta presentación y este trabajo.
Con esto, comenzaré mi presentación. Como mencioné, trabajo en Applied Materials India Private Limited, empresa especializada en la industria de semiconductores, y contamos con experiencia en recubrimientos de capa atómica. Nuestro objetivo es utilizar este recubrimiento de capa atómica en un mercado adyacente, el farmacéutico.
Lo que intentamos hacer fue aprovechar nuestra experiencia en el recubrimiento de capas atómicas en partículas farmacéuticas para mejorar sus propiedades, las de las partículas verticales farmacéuticas. Con esto, ya contamos con una prueba de concepto. Hemos demostrado a pequeña escala que, si aplicamos el recubrimiento ALC a las partículas, podemos mejorar su fluidez, biodisponibilidad, etc.
Ahora, la tarea es ampliar la escala. Por ahora, antes de profundizar en los detalles del JMP, diría que lo que hemos hecho es utilizar el JMP como herramienta para explicar nuestra área técnica, nuestra experiencia y nuestros hallazgos técnicos, y el JMP nos ha apoyado en ello. Como mencioné, para este recubrimiento de partículas, podemos mejorar sus propiedades.
Nuestro producto final, nuestro objetivo final, es el recubrimiento. La calidad del recubrimiento debe ser buena. Si la calidad del recubrimiento es buena, podemos lograr resultados mucho mejores. Esta calidad del recubrimiento también se ve afectada por múltiples parámetros. En el JMP, contamos con una herramienta muy útil para mostrar esto: un diagrama de causa y efecto.
Como profano en la materia, si quiero demostrar que mi producto final se verá afectado por múltiples parámetros o factores, ¿cómo lo demostraré? Esto es fundamental. Este es el diagrama de causa-efecto donde he demostrado que la calidad de mi recubrimiento se ve afectada por mi proceso, la agitación del polvo, debido a que se trata de una superficie extensa.
El ALD convencional se aplica al relleno, no al polvo. En el polvo, el área superficial es mucho mayor que en el relleno delgado. En ese caso, el parámetro del proceso, el impacto del PADL, la agitación del polvo, cómo se introducen los productos químicos para las reacciones, cómo se extraen los residuos, y luego cómo influye la distancia entre ambos, y cuál es el impacto de la temperatura en el conjunto de la química.
Estos son algunos parámetros que afectan la calidad del recubrimiento. Si digo que es un para, nadie lo entendería. Pero si muestro este diagrama de causa y efecto, es una forma mucho mejor de explicarlo, el que hemos usado hasta ahora.
Volviendo a mi punto original, la calidad del recubrimiento se ve afectada por los seis parámetros. Por ahora, nos hemos centrado en el espacio de cabeza porque el proceso ya está definido. Ya lo hemos demostrado a pequeña escala como prueba de concepto. Nuestro proceso ya está definido. Ahora, la pieza es el hardware. Ahora bien, ¿qué papel desempeñará el hardware?
Supongamos que tiene una partícula en la base y cuenta con un sistema de inyección de gas, o con un producto químico que se introduce en ella. Si tarda mucho en alcanzarla, o si el tiempo es menor, esto afectará los parámetros del proceso, la presión y la eliminación de residuos; todo cambiará con esta distancia. Básicamente, estamos probando esa distancia con nuestro banco de pruebas.
Solíamos llamar a esta herramienta un banco de pruebas donde podemos usar las diferentes arquitecturas. Esta arquitectura consiste básicamente en el diseño del plomo en la cámara, donde introduciremos o reduciremos el espacio de cabeza del diseño del plomo con el primer plomo y este, que es el hueco, que puede aumentar el tamaño del espacio de cabeza. A mayor espacio de cabeza, mayor química, menor eliminación de residuos, o quizás no. Esto es algo que debemos verificar.
Por ello, con esta preocupación, hemos empezado a observar el impacto del diseño principal en la calidad del recubrimiento. Con esto, hemos recopilado los datos para este proceso en particular. Al ejecutar esta receta, al intentar recubrir una partícula, tenemos que introducir algunos parámetros, los cuales hemos registrado y utilizado para el análisis.
En ese caso, lo primero es el cambio de presión. Si la distancia es mayor, la reacción puede ser mayor. Si el tiempo de permanencia es mayor, el tiempo de permanencia de la sustancia química será mayor y, por lo tanto, el cambio de presión será mayor.
Esto se puede observar con la comprobación de normalidad, este cambio de presión entre dos derivaciones que hemos tomado. Hemos observado si, con respecto al ciclo, si lo estamos aumentando, o aumenta mucho o menos. Para ello, en el JMP, hemos utilizado la comprobación de normalidad y los coágulos de caja para identificar los valores atípicos.
Esta es la ventaja de JMP. No solo se puede detectar el valor atípico, sino que también se puede determinar su causa raíz ajustando Y por X. Con este ajuste Y por X, se puede ajustar el polinomio lineal para determinar la relación del valor atípico con el propio conjunto de datos. Con esto, podemos reconocerlo o identificar su causa raíz.
El tercer paso fue [inaudible 00:06:14], donde comparamos estos dos conjuntos de datos de diseño, lo que recopilamos. Luego, confirmamos nuestra hipótesis, lo que técnicamente indica que es correcta o que se desarrollará de la mejor manera. Dicho esto, volveré a mis resultados.
Como mencioné, tenemos dos diseños. El primero tiene mayor espacio de cabeza, conocido como diseño uno. El segundo es el diseño dos, donde los datos son más uniformes o normales. Se puede observar que hay una diferenciación muy pequeña.
Pero aquí, si observan el diseño y el diagrama de caja correspondiente, si ven muchos valores atípicos, también los hay. Volviendo al tema, ya que hemos realizado la prueba de valores atípicos, una herramienta muy potente en JMP, donde podemos cambiar el factor q y el cuartil de cola para verificar o compactar el rango de especificaciones, lo que se considera un valor atípico. Puede ser un valor atípico marginal, un valor atípico de proceso o un valor atípico extremo.
En nuestro caso, buscamos el valor atípico extremo. Este valor atípico extremo se pudo detectar solo en el diseño uno, no en el diseño dos, que tiene menos espacio libre. Ese espacio libre menor no muestra ningún valor atípico. Hablaremos de esto más adelante.
Pero antes de eso, diría que con el valor atípico extremo, simplemente intentamos identificar la causa raíz. Intentamos ajustar el ajuste lineal Y por X y el ajuste polinomial, con diferentes grados en el ajuste polinomial. Sin embargo, descubrimos que nada funciona en estas dos razones específicas, ni el ajuste lineal de rayos ni el ajuste polinomial. Luego descubrimos que hay un punto más, el análisis de densidad de conglomerados no paramétrico, que es la significancia.
Aunque es un modelo no paramétrico, el intervalo de confianza será del 95 % en comparación con el paramétrico. Esto está bien. Sin embargo, en este momento, el estudio actual muestra que existen dos modelos diferentes porque existen dos clústeres diferentes, como se puede ver aquí. Estos dos clústeres son diferentes entre sí, y este clúster básicamente indica que existen dos mecanismos en funcionamiento.
Si relaciono esto con mi teoría técnica, sería como si inicialmente el proceso se incrementara linealmente o con una pendiente independiente, pero luego se ha modificado. En general, el proceso se ha desviado. Esta es nuestra preocupación técnica. Como técnico, si considera que en la cámara, si se tiene un espacio de cabeza mayor, significa que si la distancia entre el polvo y la extracción o inyección de los productos químicos es demasiado grande, el tiempo de residencia de los productos químicos y los residuos será muy alto, lo que puede afectar no solo al ciclo inicial, sino también a los ciclos posteriores.
Puede derivar hacia un proceso completo debido al proceso de acumulación. Se formará una capa, luego una segunda y finalmente una tercera. Si esta es la estructura por capas, la primera presenta mucha condensación, mientras que la superior se desplazará considerablemente. Esta es la hipótesis que hemos adoptado. Con esto, al graficar con la ayuda del gráfico de control, que es una de las herramientas más sorprendentes, hemos observado el rango de movimiento con respecto al ciclo.
Si ven aquí en el rango móvil, los ciclos iniciales, si ven que el ciclo inicial está en un nivel diferente, y de repente hay un cambio repentino, en realidad, una caída repentina diría, una caída repentina en el rango móvil, lo que nuevamente confirma la deriva en el proceso.
Básicamente, la hipótesis y estos datos en general sugieren que el proceso comenzó normalmente durante los primeros ciclos. Sin embargo, debido a la gran cantidad de espacio libre, el tiempo de residencia es mayor, lo que explica la desviación del proceso. Por ello, presenta numerosos problemas en la calidad del recubrimiento. Al comparar esto con el ANOVA, nuestros datos experimentales también indican lo mismo.
Esta es la prueba estadística de la misma hipótesis sobre el mecanismo que está ocurriendo. Aunque el recubrimiento está empeorando en el caso del diseño uno, ¿cuál es el mecanismo? Para demostrarlo, el proceso se ha desviado, como podemos observar en el gráfico de rango móvil.
Finalmente, comparamos estas dos variantes con el ANOVA unidireccional para determinar, estadísticamente, si son iguales o diferentes. Desde el punto de vista estadístico, aunque realizamos el análisis unidireccional, estas dos variantes son muy diferentes. Este análisis demostró que nuestra hipótesis de que estas dos variantes son iguales falló. Por eso diría que estas dos variantes no son similares.
En general, la conclusión de todo este estudio, JMP, la hemos utilizado como herramienta para demostrar nuestra hipótesis: la calidad del recubrimiento en el diseño uno es deficiente debido a la deriva del proceso. Esto se puede confirmar, y lo confirma el gráfico de rango móvil. Hay muchos valores atípicos, lo que, nuevamente, sugiere el ajuste de modelos múltiples que hemos mostrado. Finalmente, estas dos pistas no son iguales.
Finalmente, para concluir esta presentación, quisiera comentar cómo esto me resulta útil como ingeniero de procesos. Si he trabajado, recopilado y analizado mis datos, sé cómo funcionan, pero ¿cómo se los comunicaré a mis partes interesadas o clientes? En ese sentido, debo demostrarlo o debería contar con datos que lo respalden.
Tengo estos datos y con ellos, puedo convencer de que la hipótesis del proceso de deriva se debe a que el espacio de cabeza es mayor, y podemos tomar una decisión con la nueva herramienta, cuando aparezca, el espacio de cabeza debe reducirse e irá de acuerdo con el diseño.
Esta herramienta JMP me ayudó a demostrar o comprobar mi hipótesis y a tomar una decisión correcta según el diseño. Esto se trata de mi herramienta. Finalmente, quiero agradecer a los miembros de mi equipo, a mi instructor, Charles, y a mi mentor, Sukhti. Finalmente, gracias al equipo de JMP por darme una oportunidad una vez más. Gracias.
