用于事件序列处理的状态空间模型存内计算实现

基于摘要分析。该研究面向事件视觉与音频序列处理，提出在存内计算（compute-in-memory，CIM）硬件上实现状态空间模型（SSMs）的方法，目标是支持实时、事件驱动的低能耗计算；其主要贡献是联合调整模型参数化与硬件实现，使状态演化能够利用器件自身动态完成。 机制上，作者将模型重新参数化为实数系数和共享衰减常数，以降低映射到实际硬件的复杂度；结合对角化的状态转移参数、交叉阵列式 CIM 系统，以及具有短期记忆效应的忆阻器，实现状态演化。这一设计的关注点不是单纯更换序列网络，而是让模型的时间动态与物理器件的记忆及衰减特性相匹配。具体状态更新公式、训练方式、器件约束及软硬件接口尚未验证。 作者报告，该系统在事件视觉与音频任务中兼具高准确性和高能效，并支持完全异步处理。摘要未提供任务名称、数据集、数据划分、指标数值、对照系统或能耗测量边界，因此目前不能量化其相对优势，也不能确定报告结果对应硬件实测、仿真或二者结合；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 能转换为保留任务信息的事件序列，这种将时间状态更新交由器件动态承担的机制，可能适用于低功耗在线解码。可复用部分是 SSM 参数化与 CIM 映射思路，需要改造的是 EEG 事件编码、多通道输入及衰减时间尺度；原研究依赖事件序列结构和器件动态匹配，监督方式与训练规模尚不明确。低信噪比可能产生冗余事件，被试及通道差异可能破坏编码稳定性，小数据下的参数适配也可能降低泛化。一个可检验的小实验是在同一 EEG 任务、相同被试内划分下，对比连续输入软件 SSM、事件编码软件 SSM与带器件约束的实现，分别核对任务性能、延迟及明确测量边界下的能耗，以区分事件编码损失与硬件映射误差。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。