FlexWalker：面向 HLS 设计的高效多目标设计空间探索框架

基于摘要分析。该研究面向 FPGA 硬件加速器的高层次综合（HLS）设计，解决大规模、多目标优化中难以确定 Pareto 设计点参数配置的问题，提出设计空间探索框架 FlexWalker。其贡献是结合多种预测模型与具有误差容忍能力的候选筛选机制，提高设计空间探索效率，而非提出 EEG 或 BCI 信号处理方法。 机制上，FlexWalker 使用 upper confidence bound（上置信界）算法组织异构回归模型，预测不同可调参数配置下的 HLS 设计质量；同时引入概率采样算法与弹性 Pareto 前沿，以缓解回归模型预测误差对搜索过程的负面影响。摘要未说明具体优化目标、回归模型种类、采样分布及弹性前沿的定义，这些实现细节尚未验证。 作者报告，在所测试的 HLS 设计空间中，框架能够稳定剔除超过 90% 的非 Pareto 前沿设计点。该数字描述的是非前沿点筛除能力，不能直接等同于运行时间减少、硬件性能提升或 Pareto 最优点的完整保留。测试设计的规模与组成、对照方法、评估成本、消融及统计信息尚未验证。 该工作的直接价值在于 HLS 硬件设计搜索。现有摘要未提供与 EEG/BCI 的具体机制对应或验证结果，因此不据此推断其能改善神经信号解码，也不扩展为 BCI 迁移实验建议。复现前需核对设计参数空间、目标测量方式、预测模型训练与候选评估流程，以及代码和实验配置的可用性。