用于加速状态空间模型推断的粒子 MCMC 算法与架构

基于摘要分析，现有材料仅含 Highlights，未取得论文全文。该研究面向状态空间模型（SSM）的推断计算，提出算法与硬件层面的加速技术，重点是扩展 particle MCMC 对多模态后验的适用性，并以 FPGA 架构加速采样。 算法方面，作者提出一项面向多模态后验的新算法，但材料未说明其具体转移机制、粒子更新方式或采样正确性的论证。硬件方面，FPGA 架构利用粒子并行与链并行；如何分配资源、协调链间计算，以及数值精度对推断结果的影响，尚未验证。 作者报告，在“大规模问题”上，相对于其称为当时先进水平的 CPU/GPU 采样器，实现了 42 倍加速。材料未给出问题规模、模型类型、硬件配置、对照实现及计时口径，也未说明是否在相同采样质量下比较，因此不能将该数值解释为所有 SSM 推断任务的通用收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究采用带潜在动态状态的 SSM，且粒子采样确为主要计算瓶颈，粒子与链并行可能具有借鉴价值；原方法所需的数据规模、监督形式及模型假设尚不明确。迁移时需适配 EEG 的观测模型、噪声特性与实时延迟约束，低信噪比和跨被试差异可能使后验更难探索，硬件加速也不等于推断质量改善。可先固定一个小规模 EEG 状态估计任务，在相同模型和数据划分下比较参考实现与并行实现的采样质量、状态估计误差和端到端延迟。已有 EEG 相关工作尚未检索确认。