Abstract Nonlinear optical activities, especially second harmonic generation (SHG), are key phenomena in inversion-symmetry-broken two-dimensional (2D) transition metal dichalcogenides (TMDCs). On the other hand, anisotropic nonlinear optical processes are important for unique applications in nano-nonlinear photonic devices with polarization functions, having become one of focused research topics in the field of nonlinear photonics. However, the strong nonlinearity and strong optical anisotropy do not exist simultaneously in common 2D materials. Here, we demonstrate strong second-order and third-order susceptibilities of 64 pm/V and 6.2×10 −19 m 2 /V 2 , respectively, in the even-layer PdPSe, which has not been discovered in other common TMDCs (e.g., MoS 2 ). Strikingly, it also simultaneously exhibited strong SHG anisotropy with an anisotropic ratio of ~45, which is the largest reported among all 2D materials to date, to the best of our knowledge. In addition, the SHG anisotropy ratio can be harnessed from 0.12 to 45 (375 times) by varying the excitation wavelength due to the dispersion of $${\chi }^{(2)}$$  χ ( 2 )  values. As an illustrative example, we further demonstrate polarized SHG imaging for potential applications in crystal orientation identification and polarization-dependent spatial encoding. These findings in 2D PdPSe are promising for nonlinear nanophotonic and optoelectronic applications.

Sepsis triggers a harmful immune response due to infection, causing high mortality. Predicting sepsis outcomes early is vital. Despite machine learning's (ML) use in medical research, local validation within the Medical Information Mart for Intensive Care IV (MIMIC-IV) database is lacking. We aimed to devise a prognostic model, leveraging MIMIC-IV data, to predict sepsis mortality and validate it in a Chinese teaching hospital. MIMIC-IV provided patient data, split into training and internal validation sets. Four ML models logistic regression (LR), support vector machine (SVM), deep neural networks (DNN), and extreme gradient boosting (XGBoost) were employed. Shapley additive interpretation offered early and interpretable mortality predictions. Area under the ROC curve (AUROC) gaged predictive performance. Results were cross verified in a Chinese teaching hospital. The study included 27,134 sepsis patients from MIMIC-IV and 487 from China. After comparing, 52 clinical indicators were selected for ML model development. All models exhibited excellent discriminative ability. XGBoost surpassed others, with AUROC of 0.873 internally and 0.844 externally. XGBoost outperformed other ML models (LR: 0.829; SVM: 0.830; DNN: 0.837) and clinical scores (Simplified Acute Physiology Score II: 0.728; Sequential Organ Failure Assessment: 0.728; Oxford Acute Severity of Illness Score: 0.738; Glasgow Coma Scale: 0.691). XGBoost's hospital mortality prediction achieved AUROC 0.873, sensitivity 0.818, accuracy 0.777, specificity 0.768, and F1 score 0.551. We crafted an interpretable model for sepsis death risk prediction. ML algorithms surpassed traditional scores for sepsis mortality forecast. Validation in a Chinese teaching hospital echoed these findings.