结合局部敏感哈希的结构化状态空间模型在高能物理中的应用

基于摘要分析。该研究面向高能物理（HEP）实验中的大规模点云与长序列处理，探索将局部敏感哈希（locality-sensitive hashing）融入混合或纯 Mamba 模型，以结合结构化状态空间模型（SSMs）的序列处理能力与局部归纳偏置。 机制方面，摘要明确提出在 Mamba blocks 中集成局部敏感哈希，但未说明哈希作用于哪些特征、如何组织点云或序列，以及混合模型的具体组成。作者将该工作描述为此类结合的早期尝试之一；其核心研究对象仍是 HEP 数据处理，而非神经信号或 BCI。 作者报告，在所测试的 HEP 任务中，该方法相较传统骨干网络改善了推理速度与物理指标，并降低计算开销；相较传统 Transformer 骨干网络，FLOPS 显著降低且保持了稳健性能。摘要未给出任务名称、数据集、数据划分、基线配置、具体指标或数值，因此无法量化这些优势，也不能据此判断不同模型是否在同等条件下比较。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：若哈希机制确实能保留任务相关的局部邻域，其与 Mamba 的结合可能为 EEG 长序列处理提供方法参考，但原领域有效不等于 BCI 有效。可考虑复用序列骨干与哈希模块，需改造 EEG 的时间—通道表示及邻域定义；依赖的数据规模与监督方式尚不明确。低信噪比可能使哈希邻域不稳定，跨被试差异、通道布局变化及小数据训练也可能削弱收益。一个可检验的小实验是在固定 EEG 数据划分、输入与训练预算下，对照普通 Mamba 与加入哈希的版本，同时记录任务指标、推理耗时及 FLOPS，检验局部组织是否带来收益。相关 EEG 工作尚未检索确认。