MamCIMFlow：面向高效 Mamba 模型加速的 RRAM 存内计算与选择性状态空间流式处理一体化协同设计

基于摘要分析。MamCIMFlow 研究 Mamba-2 的硬件执行瓶颈，通过协同设计基于 RRAM 的存内计算（CIM）与专用 State Space Streaming（SSS）单元，联合处理投影矩阵向量乘法的存储带宽瓶颈，以及输入依赖状态转移的动态执行需求。其贡献是面向 Mamba 数据流的硬件架构与映射方法，而非新的 EEG 解码模型。 摘要将投影矩阵向量乘法描述为受“存储墙”限制的操作，将动态状态转移描述为通用系统难以高效处理的操作。MamCIMFlow 的核心机制包括：一体化集成 RRAM-CIM 与流式处理单元；把 Mamba-2 方程映射为连续流水线；采用以流式处理为中心的 RRAM 组织，及时产生可供 SSS 使用的向量，以衔接存储受限与控制受限操作。 作者报告，在摘要未明确工作负载、硬件配置及精度条件的实验中，相对 GPU 的最高加速为 14.1 倍、最高功率效率提升为 319.3 倍；相对一个 CIM 基线的最高加速为 2.29 倍、最高功率效率提升为 3.43 倍；另报告 SRAM 占用减少 66%，但摘要未明确该指标的比较对象。上述最大值是否来自相同配置，以及功率效率的定义、评估采用仿真还是实测，均尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 流式模型采用可映射的 Mamba-2 运算，其投影计算与状态更新可能复用这种协同流水线；但需适配通道输入、序列窗口、数值精度及在线延迟约束。低信噪比、小数据和跨被试分布变化可能影响模型本身的可靠性，RRAM 非理想性与量化误差也需单独评估。一个可检验的小实验是固定已训练的 EEG Mamba-2 模型与数据划分，对比软件参考执行和硬件映射执行的任务指标、端到端延迟及功耗，检验计算收益是否伴随精度损失。摘要未提供 EEG/BCI 实验，已有相关工作尚未检索确认。