XiaoMi-AI文件搜索系统
World File Search SystemJacobson
Daniel Jacobson 总法律顾问 主题
根据《2024 年进一步综合拨款法案》（公法 118-47，B 部分，标题 II，第 203 节），管理和预算办公室将与您联系，以确保您的机构了解《2024 年进一步综合拨款法案》B 部分标题 VII 中包含的政府范围的一般规定。机构必须制定必要的政策和程序来遵守和执行这些要求，这涉及各种人事和管理问题。以下是《2024 年进一步综合拨款法案》的链接。感谢您遵守并执行这些法定要求。
使用 2D Dion–Jacobson 钝化层稳定无机钙钛矿太阳能电池
无机金属卤化物钙钛矿（如 CsPbI 3）有望成为高性能、可重复且坚固的太阳能电池。然而，无机钙钛矿对湿度敏感，这会导致从黑色相转变为黄色𝜹非钙钛矿相。这种相不稳定性对长期运行稳定性构成了重大挑战。本文报道了一种表面降维策略，使用 2-(4-氨基苯基)乙胺阳离子构建 Dion-Jacobson 2D 相，覆盖 3D 无机钙钛矿结构的表面。Dion-Jacobson 层主要生长在钙钛矿的晶界，有效钝化表面缺陷并提供有利的界面电荷转移。所得无机钙钛矿薄膜在浸没在水溶液（异丙醇：水 = 4:1 v/v）中并暴露于 50% 湿度的空气环境中时表现出优异的抗湿性。 Dion–Jacobson 2D/3D 无机钙钛矿太阳能电池 (PSC) 实现了 19.5% 的功率转换效率 (PCE)，Voc 为 1.197 eV。在 1.2 倍太阳光照下进行 1260 小时的最大功率点跟踪后，其保留了其初始 PCE 的 83%。这项工作展示了一种稳定高效无机钙钛矿太阳能电池的有效方法。
达特茅斯数字共享引文 达特茅斯数字共享引文 Lekkas, Damien 和 Jacobson, Nicholas C.，“使用人工智能和纵向位置数据区分童年创伤后患上创伤后应激障碍的人”（2021 年）。达特茅斯奖学金。4165。https://digitalcommons.dartmouth.edu/facoa/4165
创伤后应激障碍 (PTSD) 的特点是症状复杂多样，因此在传统临床环境之外很难检测。幸运的是，移动技术、被动传感和分析技术的进步为研究和开发提供了有希望的途径。本研究考察了利用全球定位系统 (GPS) 数据（七天内从智能手机被动获取）检测一组高风险、曾受过创伤的女性 (N = 185) 的 PTSD 诊断状态的能力。使用每日外出时间和离家最大距离作为模型特征工程的基础，结果表明可以高性能地预测诊断组状态（AUC = 0.816，平衡灵敏度 = 0.743，平衡特异性 = 0.8，平衡准确度 = 0.771）。结果进一步表明 GPS 信息作为 PTSD 行为库的数字生物标记物的潜在效用。未来的 PTSD 研究将受益于在更大、更多样化的人群中应用 GPS 数据。
dion-jacobson中的中间层三重能量转移两个 -
值得注意的是，除了激子基态漂白剂外，界面三重能量转移的每种化合物都在能量上有利，在较长的波长（大约450 - 650 nm）以外的较长波长处表现出广泛的光诱导吸收（PIA）特征。在图2 B中为选定样品显示了此波长范围的扩展视图。对于每种富含溴化物的化合物，广泛的PIA特征是长期寿命的，并且在瞬态吸收设置订立的5 ns窗口范围内不会完全衰减。然而，纯碘化物化合物（1,5 NDA）PBI 4的瞬态光谱仅包含激子漂白剂，并且在更长的波长下没有明显的PIA。至少在定性上，这些模式表明长寿的PIA可能与萘三胞胎物种有关。该分配与以前的微秒瞬时吸收研究一致，该研究是根据萘的浓缩，三联敏化溶液进行的，其中作者在450 - 650 Nm区域中观察到与单性链接的450 - 650 NM区域中具有与单烯烯型Naphthalene Treepemere excimerersecimerer的450 - 650 Nm区域的广泛交流荷兰转移吸收带。28在含有thieno [3,2- b]硫烯-2噻吩-2甲基铵阳离子（结构上与萘）中的RP 2D钙钛矿中也观察到了类似的广泛PIA特征，并分配给有机分子的三重态兴奋。5基于我们的实验观察结果以及与文献中的示例的这些比较，我们认为450 - 650 nm探针范围内的宽阔而长的PIA与萘三胞胎物种有关。
雅各布森和 Nemesure，2020.pdf
虽然数字精神病干预减少了治疗障碍，但并非所有人都能从这种治疗中受益。需要进行研究以预先确定谁可能从这些数字治疗中受益，以便将这些人转移到更高级别的护理。当前的手稿使用了一组机器学习方法来预测重度抑郁和广泛性焦虑症症状的变化，该症状在基于参与者（N = 632）治疗前数据的跨诊断数字干预随机对照试验中从前到 9 个月的随访中发生变化。结果表明，基线特征可以准确预测两个治疗组中抑郁症状的变化（r = 0.482，95% CI[0.394, 0.561]；r = 0.477，95% CI [0.385, 0.560]）和两个治疗组中焦虑症状的变化（r = 0.569，95% CI[0.491, 0.638]；r = 0.548，95% CI[0.464, 0.622]）。这些结果表明，机器学习模型能够预先预测一个人对数字治疗的反应，这将使个性化决策成为可能，即哪些人应该接受独立的数字干预或混合阶梯式护理。