MARCA-v2：结合互补状态空间模型稀疏性与可重构架构的 Mamba 加速器

基于摘要分析。本文研究 Mamba 模型的硬件执行效率，而非 EEG/BCI 建模，提出基于 MARCA 的加速器 MARCA-v2，通过互补 SSM 稀疏性、轻量稀疏调度和可重构处理单元复用，降低访存、冗余执行及非线性单元的面积开销。 作者报告，在 MARCA 架构、序列长度为 2048 的剖析条件下，SSM 占总运行时间的 62.52%；其逐元素运算的访存开销与耗时占比分别为 97.17% 和 96.56%。针对这些瓶颈，方法采用列粒度互补静态稀疏性，以 δ-bitmap 编码压缩存储，并引入稀疏逐元素运算抽象；Meta-PU 解码稀疏元数据，动态生成控制信号以引导 PE 阵列；指数函数和 SiLU 则分解为逐元素运算，复用可重构 PE，作者称精度损失可忽略。具体稀疏判据、近似误差与硬件实现条件尚未验证。 作者报告，在不同规模 Mamba 模型的 prefill 阶段，相对 Mamba-GPU、MARCA、Spada，速度提升依次为 1.77–10.87×、1.03–1.08×、4.78–9.10×，能效提升依次为 8.29–33.47×、1.03–1.08×、4.78–9.10×；decode 阶段对应速度倍率为 0.88–7.65×、1.00–1.01×、1.19–1.64×，能效倍率为 3.11–27.01×、1.00–1.01×、1.19–1.64×。其中 decode 相对 GPU 并非所有条件都加速，相对 MARCA 的增益也较有限。模型清单、工作负载、硬件配置、能效测量口径、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 应用采用 Mamba 且瓶颈确为 SSM 访存，可复用元数据调度和 PE 复用思路；列稀疏规则则需根据 EEG 模型激活分布重新验证，不能沿用语言模型结果。该假设依赖 Mamba 运算结构与可压缩激活分布，低信噪比、跨被试或通道变化可能改变稀疏模式，小数据条件也可能使精度损失难以可靠估计。可在一个既有 EEG Mamba 模型上固定数据划分与权重，对比稠密执行和列稀疏执行的任务指标、延迟及能耗，检验收益是否成立。相关 EEG 工作尚未检索确认。