Galaxy S7edge（SC-02H、SCV33）※Android バージョン 7.0 以上
Galaxy S8（SC-02J、SCV36）
Galaxy S8+（SC-03J、SCV35）
Galaxy Feel（SC-04J）
Galaxy Note8（SC-01K、SCV37）
Galaxy S9（SC-02K、SCV38）
Galaxy S9+（SC-03K、SCV39）
Galaxy Note9（SC-01L、SCV40）
Galaxy Feel2（SC-02L）
Galaxy S10（SC-03L、SCV41、Rakuten Mobile）
Galaxy S10+（SC-04L、SC-05L、SCV42）
Galaxy A30（SCV43）
Galaxy A7（Rakuten Mobile）
Galaxy Fold（SCV44）
Galaxy Note10+（SC-01M、SCV45、Rakuten Mobile）
Galaxy A20（SC-02M、SCV46）
Galaxy Z Flip（SCV47）
Galaxy S20 5G（SC-51A、SCG01）
Galaxy S20+ 5G（SC-52A、SCG02）
Galaxy A41（SC-41A、SCV48）
Galaxy S20 Ultra 5G（SCG03）
Galaxy Note20 Ultra 5G（SC-53A、SCG06）
Galaxy A21（SC-42A、SCV49）
Galaxy Z Flip 5G（SCG04）
Galaxy Z Fold2 5G（SCG05）
Galaxy A51 5G（SC-54A、SCG07）
Galaxy A32 5G（SCG08）
Galaxy S21 5G（SC-51B、SCG09）
Galaxy S21+ 5G（SCG10）
Galaxy S21 Ultra 5G（SC-52B）
2021年5月31日月曜日
通話録音可能なgalaxy一覧
2021年5月30日日曜日
2021年5月29日土曜日
fusion360での3D printerデータの作り方
１．「スケッチ」で2次元（xy）の図面を書く
２．「押し出し」でz軸方向に押し出す
３．切り取る場合は、「押し出し」で押し出し量をマイナスにする
４．最後にstlとしてエクスポートする
2021年5月24日月曜日
テスラ Powerwall設置の件について（テスラ編 その２）
テスラから現地調査で以下の確認を行う必要ありとの連絡がきた。
具体的な手順は以下の通り
１：パワーウォール及びゲートウェイの設置場所・スペースの確認
２：パワーウォール搬入ルートの確認（障害物の確認）
３：２ｔ車・４ｔ車両搬入における前面道路状況の確認
４：太陽光パワーコンディショナー設置位置の確認
５：既設分電盤内の確認
６：メーター～ゲートウェイ～既設分電盤～パワーウォール設置場所までの配線ルートと配線長の確認
７：ネットワーク接続方法の確認
８：メーター番号と引き込み注の確認
９：お客様電力・JPEA情報の確認
2021年5月23日日曜日
自動車税をpaypayで支払う
自動車税をpaypayで支払った。はじめて、paypayを使ったけど、簡単だった。
口座と紐づけると使いすぎや、トラブルに巻き込まれたときに怖いので、コンビニのATMで入金することにした。
2021年5月22日土曜日
Movable Typeについて
ホームページのCMSについては、WordPressが大半を占めているが、未だにMovable Type(MT)を使っているところもある。MTのメリットはホームページを静的に作ることができるので、ネットワークが繋がりにくくてもホームページが表示されるとのこと。WordPressだとアクセスごとにデータをサーバーからとってきてページを表示するので、データを取ってくるところとの通信状況が悪いとホームページにアクセスできないことがあるとのこと。
ネットワークのアドレスプリフィックスについて
インターネットでIPを割り振る場合に、中と外のネットワークの境目を示す。
例えば、100.110.120.XXX/24と書いてあれば、100.110.120まではネットワークを示して、そのしたのXXXに個別のコンピュータの番号が入る。このばあい、アドレスプリフィックスは24ビット（8ビット×3=24ビット）となる。
2021年5月15日土曜日
蓄電池 Power Wall（パワーウォール）について、Tesla(テスラ)からの見積もりのほうが安かった件について （テスラ編 その１）
Teslaが販売している蓄電池 Power Wallについて、認定施工会社であるゴウダさんから見積もりを取ったところ、187万円（税込）だった。
ゴウダの内訳は以下の通り
・Powerwall (13.5 kWh) +gateway ￥990,000
・設置工事 ￥500,000
・設置架台 ￥90,000
・試運転調整費 ￥10,000
・各種申請費用 ￥30,000
・配送費 ￥80,000
・合計(税抜き) ￥1,700,000（税込：￥1,870,000）
一方、Teslaのホームページからも予約をすることができて、実際に見積もりを取ってみたところ、157万円（税込）だった。ちなみに施工はミライト・エックスさんがやってくれるとのこと。
テスラの内訳
・Powerwall (13.5 kWh) +gateway ￥990,000
・現地調査費用 ￥35,000
・設備認定申請・系統連系・事務費用 ￥74,000
・設置費用 ￥276,000
・輸送費 ￥48,000
・合計（税抜き） ￥1,423,000（税込み ￥1,565,300）
Teslaからの見積もりは、テスラのホームページでテスラアカウントを作成し、ログインすると作ることができる。
2021年5月12日水曜日
ACR unchained （通話録音）
アンドロイド用の通話録音アプリACRは、Googleの方針変更によって、Android10以降使えなくなった。そこで、メーカーが独自に「ACR unchained」として公開している。
上記サイトから、 Call Recorder - ACR 33.3-unChained を選んで、そこから「SEE AVAILABLE DOWNLOADS」をタップ。さらに出てきた画面のファイル名の右端の下向き矢印をタップするとダウンロードが始まって、そのままインストールするかどうかを聞いてくるので、インストールを行う。
自分が使っている2017年頃のAqousだと、録音できている。
2021年5月10日月曜日
文献紹介：GLGE: A New General Language Generation Evaluation Benchmark (part2)
1. Introduction
BERTや他の先進的な事前学習言語モデルは自然言語理解において偉大な進歩をもたらした。その一方、一般的な評価基準の発展もまた、これらモデルの進歩を助けた。これらの基準テストは通常、NLUタスクの広い範囲にわたってモデルの性能を評価するために点数全体を使っている。GLUEやsuperGLUEといった英語に対する普遍的な言語理解評価に加えて、中国語のCLUE、フランス語のFLUE、インドネシア語のIndoNLUといった他の言語の基準も企画された。更に言語間の評価のためにXTRMEやXGLUEといった多言語のマルチタスク基準が提案されている。
NLUタスクに加えて、MASSや、BARTや、ProphetNETや、ERINE-GENといった自然言語生成のために設計された増加しつつある数の事前学習言語モデルが最近提案されている。しかしながら、言語生成における生成モデルは通常、一貫した、そして包括的な評価方法を提供できない異なったタスク、データセット、作詩法で評価されている。上記で述べたように一般的な評価方法はいくつかあるが、一般的な言語生成評価のために設計されたものは特にひとつとしてない。
このNLGにおけるギャップを埋めるために、GLGE基準というNLG生成能力を評価するための新しいマルチタスク基準を導入する。これは8言語の生成タスクを含み、テキスト要約、質問生成、質問回答そして対話機能を含んでいる。我々は既存の人気のあるデータセットを６つ、現実世界から選んだ新しいデータセットを２つ選んだ。更に多様な難易度に挑戦するためにタスク難易度に関して３つのNLG評価基準（GLGE-Easy, GLGE-Medium, GLGE-Hard）をつくるという単純だが、効果的な作戦を選んだ。
GLGEによって提案された挑戦をより良く理解するために、LSTM Seq2Seq、vanillaTransformerといった事前学習されていないモデルとBARTとProphetNetといった事前学習されたモデルを使って実験を行った。更に出力サンプルのn-gram多様性について分析を行った。実験結果によると事前学習モデルとそうでないモデルとの間には大きな成績ギャップが見られた。しかしながら、GLGE-hardタスクにおいては、事前学習モデルの成績については大きな改善の余地がある。
まとめると、この論文の成果には５つある。（１）4種の典型的なNLGタスクにおける８個の個別のデータセットから成る新しいマルチタスクのNLG評価基準、（２）異なる難易度における３つのNLG評価基準、（３）モデル評価と比較のための基準化された評価の韻律学と答案、（４）オープンソースの基準線と基準のための公にされたリーダーボード、（５）現在広く使われている事前学習なしモデルと事前学習モデルに対して詳細な分析を加えた徹底的な比較可能である研究。
文献紹介：GLGE: A New General Language Generation Evaluation Benchmark (part1)
題名：GLGE: A New General Language Generation Evaluation Benchmark
著者：Dayiheng Liu, et. al.,
リンク先：https://arxiv.org/abs/2011.11928
Abstract
GLUEやsuperGLUEのようなマルチタスク基準によって自然言語処理における前処理や転移学習の偉大な進歩がもたらされた。これらの基準はほぼ、NLG(自然言語生成 Natural Language Generation)を考慮することなく、NLU (自然言語理解 Natural Language Understanding)に焦点を合わせている。この論文では、我々は、8言語の生成という仕事を通じてNLGモデルの生成能力の評価をするためのGLGE(一般言語生成評価 General Language Generation Evaluation)という新しいマルチタスク基準を説明する。それぞれの仕事に対して、我々は仕事の難易度（GLGE-Easy, GLGE-Medium, GLGE-Hard）に関して3つのサブタスクを設計し続けた。これにより広範囲にわたってモデル性能を比較するための24のサブタスクがもたらされた。NLGモデルにおける事前学習や転移学習の研究を促すために、GLGEを公表し、MASS、BART、Prophet-Netを含んだ強力な基準線とともにリーダーボードを作った。
2021年5月9日日曜日
Macbook Pro 13 retina対応のSSD
Macbook Pro 13inch retina について、2013 earlyとlateでssdの接続方法が異なる。
2013 early: SATA (6GB)
2013 late: PCIe 5.0 GT/s（8Gbps）×2
参考リンク
MacBook Pro Retina 専用SSD〜換装アップグレードガイド
コンピュータのポート番号
TCP/IP通信を行う場合に、サーバー側のコンピュータについてポートを指定して通信する。ポートは英語の港（船着き場）に由来し、ポートを指定することで、通信アプリケーションの管理を行っている。
主なポート番号は以下の通り。
20:FTP データ転送ポート
21:FTP コントロール ポート
22:SSH
23:Telnet
25:Simple Mail Transfer Protocol (smtp)
587: email message submission (25より587を使うことが多い)
110:Post Office Protocol v3 (pop3)
995:Post Office Protocol v3 over TLS/SSL (pop3s) (110より995を使うことが多い)
80:Hypertext Transfer Protocol (HTTP)
参考リンク
正しいSMTPポートの選び方（ポート番号25、587、465、2525）
2021年5月8日土曜日
2021年5月7日金曜日
文献紹介：Word Embeddings for Chemical Patent Natural Language Processing (Part 4)
3.Conclusion
我々は医療に近い領域の単語埋め込みに対して、化学特許を通じて訓練された単語埋め込みの質について研究を行った。我々の実験によって、特許埋め込みは他の埋め込みに対して、化学NERの優れたF1値で示されるように、外来的に優れていることが示されている。相関性と類似性分析によって、これらがまた内省的にも優れていることが示され、このことによって化学領域の理解が深まった。また、文脈化した単語埋め込み（ELMo）は全体的により良い結果を生み出し、一般的ではあるが、大規模のPubMed ELMo埋め込み（これは生命化学領域の全体を覆う）は化学領域において穏当な結果を生み出した。
付録
ここに2種類の可視化データを示す。1つ目は単語埋め込みデータで、もう１つは表４における分子類似度ランキングである。化学構造式を作るため、そして分子類似度を測るために、RDKitを利用した。我々はリスト中の用語を知らないふりをして、規格化も行っていない。単語埋め込みの可視化データに対して（単語埋め込みの範囲を全てカバーしている）SCAIテストコーパスから100語ランダムに選んで取り上げた。これと並行して、t-SNEアルゴリズムを用いて、単語埋め込みにおける200次元を2次元にまで減少させた。
可視化データは概して論文中で考察したものと合致する。類似度ランキングはELMo埋め込みランキングにより合致する。同様に、ELMoによる単語埋め込みの可視化データは他のものがかなり分散しているのに対して、収集する傾向がみられた。
END
文献紹介：Word Embeddings for Chemical Patent Natural Language Processing (Part 3)
表3に示すように、大規模なPubMed
Word2Vecによる埋め込みは基準モデルであるMat2VecよりもわずかばかりF1値が増加している。これら２つとも製薬目的のWord2Vec埋め込みには大きく打ち負かされている。特許目的の化学Word2Vecを用いるとWord2Vec埋め込みの中で最大のF1値を叩きだした。もっとも良い値が得られたのはELMoを利用したときで、それはWord2Vecよりも更に大きな値を叩きだし、興味深いことにF1値は72.41%に達した。これもまた興味深いことであるが、PubMed
ELMoについても十分な専門知識を持ち、F1値は70.15%に及んだ。
内省的評価：量的な、もしくは内省的評価について、我々は比較可能な埋め込みを行うために次のような戦略を取った。我々はWord2Vecはめ込みの語彙をテストコーパスの語彙に制限した（ストップとファンクションキーワードを遮断した）。これら制限されたWord2Vec埋め込みをELMo埋め込みと比較するために、我々はテストコーパスの内容語ごとにELMo埋め込みを計算し、そして、アドホックの単純なコーパスレベルのWord2Vec埋め込みを引き出すための埋め込み全てについて平均した。そのような方法は潜在的に文脈化された情報を捨て去る一方で、文脈化された単語埋め込みが似たような単語埋め込みを単語に割り当て、それらの単語がその文中で似たような文法や意味的な役割を果たすと仮定すれば、この単語埋め込みは統語論と意味論における言葉の型を未だに保全する。この単語埋め込みの次元は特異値分解SVDによって減らされ、200,420,1024の次元で標準化された。３つの分析を実行した。
類似性分析：我々は製薬物質としてテストコーパスで言及されている「イブプロフェン」を選び、コサイン計算を用いて上位10個の類似の単語を回収した。理想的にはイブプロフェンは薬なので、類似性テストで期待されるのは薬、もしくは化学物質の名前である。
得られた結果は注意して、そして固有表現認識NERモデルの結果と並べられた。表４が示すように、化学特許埋め込みはより一般的な、もしくは特許目的ではない相手よりより成績を示す。そのうえ、ELMo埋め込みは更に良い結果を示す。Mat2Vec、Drug、PubMed埋め込みは一般的な名詞「drugs」、略語「mg」、形容詞「topical」、動詞「mimics」を返している一方、化学特許Word2VecとELMo埋め込みは製薬名、もしくは化学物質名のみを返した。同様に興味深いことに上位に入っている類似の物質名（アスピリン、タクリン、アトロピン）はいくらか同様に抗炎症性の性質を示す。
一致分析：これらのリストが意味論的にどれほど整列しているかを確認すると、傾向は大部分は確認された。化学用語は複数の意味を持つ傾向があるので、これらの語を正常化するためにドラッグバンクを利用した。終わりに、どれくらいの埋め込みが「イブプロフェン」という語の理解について一致しているか、結果として起こる規格化された表の類似性を測定した。
表５に示されるように化学特許W2VとELMo埋め込みは大体は合致している（それぞれ、0.43と0.54）。その一方で、製薬埋め込みとMat2Vec埋め込みは他の埋め込みと合致していないように見える。興味深いことにPubMed
Word2Vec埋め込みは化学特許埋め込みと予想されるよりも高く合致している。
相関性分析：最後に埋め込み間の相関性の程度について測定を行った。図３に示されるように、ELMo同士は(0.91)^5という高い相関性がある。化学特許埋め込みとPubMed
Word2Vecについては全ての埋め込みについて適度に相関性が見られ、その一方で、Mat2Vec埋め込みと製薬埋め込み間はより低い相関性を示した。
文献紹介：Word Embeddings for Chemical Patent Natural Language Processing (Part 2)
2.Experiments
データについて：今回の実験のために2つの知られた化学NER特許コーパス、SCAIコーパスとBiosemanticコーパスから少量のゴールドスタンダードを利用した。SCAIコーパスではUIPAC方によって命名法によって書かれた化学物質に焦点を当てている。加えて、確認テストに使用するため、Biosemanticコーパス（化学全体のうちかなりの部分をカバーしている）におけるIUPACによる注釈がある部分を試した。表1に示す。図１にしめすようにWord2Vecの単語埋め込みと3521語のテストセットの間に大きな語彙の重なりが見られた。
外省的評価：外省的評価であるNERに対して、パラメータを減らし、与えられた小さなコーパスの重複を避けるためにLSTM層の代わりにGRU（Gated recurrent unit）を用いたLampleモデルを単純にして利用した。このことは我々のしたいこと、（a）はめ込みによって合理的な性能が得られるかどうかの試験と(b)異なるはめ込みが異なった結果をもたらすかどうかのテストを行うには十分である。我々は化学に関する事前学習済みモデルと訓練可能な文字レベルのGRUエンコーダを用いて文字のエンコードを行った。図２を見てください。50エポック毎のアーリーストッピング、0.25のドロップアウトの80次元の双方向GRU文字エンコーディング、0.5ドロップアウトの300次元の双方向エンコーディングGRUトークンエンコーダーを用いてモデルの訓練を行った。バッチサイズは16である。訓練アルゴリズム同様に、0.01の学習もしくは減衰率とL2-規則化を伴って、Adamを利用した。我々はAllenNLPを主な実装として利用した。モデルはテスラT4GPUと16GBのGPURAMを用いて計算された。
文献紹介：Word Embeddings for Chemical Patent Natural Language Processing (Part 1)
題名：Word Embeddings for Chemical Patent Natural Language Processing
著者：Camilo Thorne, Saber Akhondi
発表年：2020年10月
リンク先：https://arxiv.org/abs/2010.12912
Abstract
我々はを既知の医学用単語埋め込み技術を背景として、化学特許における単語埋め込み技術の評価を行い、その結果は、医学用単語埋め込みより外因的にも、内因的にも優れていた。我々はまた、文脈化した埋め込み技術によって、相対的に小さなゴールドスタンダードテストを超えたこの領域において合理的な性能を持った予言可能なモデルを構築することができることを示した。
1.Introduction
化学産業は疑うことなく新しい化合物の発見に依存している。しかしながら、新しい化合物は最初に特許文献に現れ、その数か月とか数年後に科学論文に出版される。このようにしてほとんどの化学物質は特許においてのみただちに入手可能となる。新たな化学に関する特許申請書の数は劇的に増加しているので、現在、自然言語処理によって化学の特許申請書から自動的に情報を抽出することは重要である。
この努力において鍵となる道具は単語埋め込み技術である。埋め込み技術は固有表現抽出(NER)のような最新式のニューラルモデルにおいて単語や文章やテキストレベルの特徴を抽出するのに重要である。大規模なWord2Vecと文脈化された埋め込み技術は医療と製薬領域のために開発された。Mat2Vecのような分析化学のための小規模な埋め込み技術もまた提案されている。それらのような埋め込み技術は全て科学論文（PubMedコーパス）を用いて訓練されている。つい最近では、Zhaiらが化学の固有表現抽出の学習と適用に成功し、化学特許を学習したELMo埋め込み技術、いわゆるCheMU埋め込み技術の文脈化を行った。この論文では、我々は以前のものに対する化学特許の埋め込み技術の品質を評価に関する問題点を取り扱う。この種の比較においては２つの手法が通例である。1つは、予想における各単語埋め込みの効果（この論文では化学固有表現抽出）といった外省的評価であり、もう一つは分配表現の質を定量的に分析する際の内省的評価は化学用語を指定している。この目的のために、ある化学用語に埋め込まれている用語をうえから似ている順に、例えば、イブプロフェンであれば抗炎症性薬といったように、10個比較することが習慣的になされている。我々は化学特許の単語埋め込みが以前のものより外省的にも、内省的にも優れていることを示す。
2021年5月6日木曜日
青ママチャリのリヤタイヤ交換
26インチの青ママチャリのリアタイヤを交換した。内装3速とブレーキの取り外しはそれほど面倒ではなかったが、組み立て時の順番と、リアにフレーム、スタンド、3速ギア、ドラムブレーキを組み込むと、結構幅がぎりぎりになって、組み立てにくかった。
2021年5月4日火曜日
文献紹介：Guide to making XPS measurements on nanoparticles (part7)
VII. SUMMARY
XPSは適切な表面清浄化、試料配置、データ収集を伴ってNP表面における性質と一貫性を理解するのにとても有益な道具であり、分析結果はNPの表面コーティング、殻、そして汚染について重要な定性情報を提供することができる。NPに対するXPS分析の潜在能力は未利用の部分があると思われる。
不幸なことに、注意深い試料準備、データ収集のための良い経験、ピークフィッティングから情報を得ることを含む解釈、粒子の特徴を確認するために必要な起源情報を適切に報告することの必要性がとても頻繁に無視されている。結果として、文献におけるNPからのXPSのうちいくらかは誤解させるか、不正確である。
この短い論文の中でもっとも重要な点は、他の文章でも書かれているように装置較正、試料帯電の取り扱いであり、情報を記録し、報告することで重要な良質のデータとNPの性質や振る舞いの理解に寄与する。
END
2021年5月3日月曜日
文献紹介：Guide to making XPS measurements on nanoparticles (part6)
NPの層の厚みを決定するためのもっとも一般的な方法は図４に示されるようにNPの殻、もしくは殻の核からの光電子強度の比Aで表現される異なった層や核からのピーク強度比を用いることである。
Shardらは既知の核の半径を持つナノ粒子から殻の厚みを抽出する単純な方法を開発した。その方法ではNPは球状であり、同じ大きさの半径と層の厚みを持つことが想定されている。Shard達は光電子の弾性散乱の効果が平坦基板上の被覆層の厚みを決めるのに用いられるのに効力のある希薄化によって表現されることを発見した。この相対的に単純な方法は、はじめのうちはコアシェル粒子の殻の厚みを決めるために用いられていたが、最近はコアシェルシェル粒子に対しても拡張されてきた。
Shardモデルは核からの正規化した信号強度と層の厚みを提供するための有効な希薄化に関する情報を持つ適切な層を結合する分析式を利用する。殻と被覆の結合に関係したこのモデルに固有な正確さとその限界は詳細に研究されてきた。このモデルは有機材料におけるシェル層の厚みを決めるのには機能するが、強く散乱する殻を持つコアシェル粒子をのシェル層の厚みについては過大に見積もってしまう。広い範囲のコア直径とシェルの厚みを伴うAu核/C殻、C核/Au殻、Cu核/Al殻、Al核/Al殻に対する光電子ピーク強度のシミュレーションのフォローアップ研究によって、Shardによって見積もられた殻の厚みの値は現行のものより10%良いことが示された。
SESSA（Simulation of Electron Spectron for Surface analysis）というコンピュータプログラムとデータベースにはXPSスペクトルをシミュレーションするのに必要となるデータが含まれている。はじめのうちは、データベースは層構造をシミュレーションするために用いられていたが、新しいバージョンでは、ナノ粒子のモデリングも追加されている。研究の中には、SESSAをナノ粒子に最大限、適用することに焦点をおいているものもあるが、他の研究では、SESSAを具体的なナノ粒子系に適用しているものもある。
Werner達はXPSピーク強度におけるナノ粒子の形状の影響を調べるためにSESSAを利用し、測定が空間的な位置関係と無関係な時は1粒子近似がナノ粒子の集合体に有効であることを示した。この結果によって相対強度の1粒子モデルがナノ粒子の無秩序な集合体の測定に対して適切に適用できるという以前の指摘が確認された。電子の平均自由行程が粒子半径を越えるときは単球近似はうまくいかないが、Werner達は多くの粒子サイズや型の複雑な粒子形状がSESSAを用いてうまくモデル化できることを証明した。
多くの著者たちが弾性散乱を無視してコアシェルナノ粒子における光電子輸送のモデルを開発してきた。SESSAを用いてPowellらは弾性散乱は重要かどうかを決めるために異なる材料同士のコアシェルNPを調査した。彼らの調査によって有機物の被覆の時は弾性散乱を無視することはもっともなことであることが示された。
SESSAを利用した例として、金ナノ粒子上のC16H32COOHのSAM膜の厚みがTechaneによって調べられた。このモデル化の努力によって金ナノ粒子上のSAM膜は平坦な金上のSAM膜とよく似ているものの、同一ではないことが示された。加えて、実験データをモデル化するためにSESSAを利用すると、Shardの方法では容易に得られない情報である不純物炭素層の存在が必要とされた。（この論文では記載するものと仮定している）層の厚みの決定は金及び金ナノ粒子上のSAM膜に向いている。SESSAによって決定された14nmの金ナノ粒子上の層の厚みは以下のようなものであった：コンタミネーション0.15nm、機能的な末端COOH=0.26nm、16の炭素ユニット CH2=16x0.09=1.44nm。
Shardの方法やSESSAの多くの応用例では、NPはサイズのおいて一様で、形状は理想的に球状であるという想定を必要とする。WangやSahooやMuller達はXPS信号における不揃いや欠陥のあるNP（Ag/Au-shell/core, Au-TiO2粒子/触媒、PTFE-poly）の影響を調べた。彼らはTEMといった他の情報源からの形状に関する追加の情報を使って、適切にXPSデータをモデルを作れることが分かった。SESSAを用いてYangによってモデル化された実験データはデジタルフォームに利用可能で、Surface Science Spectraで出版された。PTFE-PMMA粒子は図1(b)の試料形状と図1(a)の試料形状を用いてTougaardによって開発されたQUASESプログラムを用いたSESSAを利用してピーク強度に基づきモデル化された。彼らはQUASESを利用してモデル化された非弾性バックグラウンドがNP構造の実際の性質を自主的に識別するのに有益であることを発見した。
文献紹介：Guide to making XPS measurements on nanoparticles (part5)
VI. ANALYSIS NEEDS AND APPROACHES
予想通り、測定対象によって収集されるデータと分析手法のタイプが決定される。もし、第一に必要とされる情報がナノ粒子表面の汚染物質の確認であれば、ピークと化学状態について標準的な方法を用いて、分析データの中の元素や化学結合状態やXPSスペクトルを決定することができる。同様に同じサイズの一連のナノ粒子の合成や機能化における一貫性の決定はXPSピークの相対的な強度比、または粒子の幾何特性の詳細を考慮せずに一般的なXPSピーク比の定量化を行い確認されるかもしれない。
しかしながら、試料のナノ構造はピーク強度や相対的な強度比、結合エネルギーやバックグラウンドに影響を与えるので、ナノ粒子の性質に関して多くのこと知るには、手順を逆にして、XPSスペクトルを利用することが可能となる。論文や、適切なデータやモデルを用いて、粒子径や粒子が単層、もしくは複数層のコーティングかどうか、シェルの厚み、表面機能化の程度に関する情報を学ぶことが可能となる。
分析面が平坦である場合とナノ粒子である場合の大きな違いについて図３に示す。ナノ粒子の核からの電子は分析器に到達するために様々な距離を移動してくるので、コーティングと基板の光電子スペクトルの比率は粒子径に応じて変化する。粒子が10nmより小さい場合は、XPSは粒子の頂点と多少の底面（からのスペクトル）を意味する。粒子径が大きくなるにしたがって、粒子の「目に見える」外側がXPSと相対的な信号強度によって意味されるようになり、図３の最初の絵に示されるように、非弾性散乱のバックグラウンドによる性質がノーマルエミッション分析条件を確かめるようになる。
ナノ粒子の定性的なXPS分析における重要な要求のひとつはナノ粒子の層の厚みを決定することである。層の厚みは粒子サイズに関する仮定と知識を伴うモデルの取り組み方を用いて決定される。（適切なXPSモデリングプログラムの要約については参考文献56、例については参考文献57を見よ）
図３と図４の双方において、ナノ粒子からのXPS信号が1つの粒子から起きているように描かれている。Werner, Powellらの研究では、ランダムに分布しているNPに適用するピーク強度のための単球モデルが示されている。試料準備と単球モデルでは２つの限界が記述されている。第一に、単球モデルは電子の平均自由行程が粒子サイズを越えるまで適用される。第二に図１ｂで示されるように準備された試料が機能するような単球モデルはピーク強度にのみ適用可能であり、光電子ピーク周辺の非弾性信号には適用できない。ナノ粒子によってのみ発生する光電子ピーク周辺の非弾性バックグラウンドは定性的にナノ粒子コーティングの厚みを決定しうることを実証した。この環境下では、XPS測定は図１aに示されるように散乱させられるに違いない。
