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。该研究面向事件序列的实时、异步处理，提出将状态空间模型（SSM）部署到节能存内计算硬件的算法与硬件协同设计方案；主要研究对象是事件视觉和音频任务，而非 EEG 或 BCI。 核心机制是对模型进行重参数化，使其采用实值系数与共享衰减常数，以降低向实际硬件映射的复杂度。研究结合对角化的状态转移参数、器件自身动态，以及具有短时记忆效应的忆阻器，在交叉阵列存内计算系统中原生实现状态演化。其阅读价值在于把序列模型的动态计算与器件物理特性对应起来，而不仅是将模型运算移植到硬件。 作者报告，该协同设计在事件视觉与音频任务上兼具较高准确率和较高能效，并支持完全异步处理。摘要未给出具体任务、数据集、准确率指标、能耗数值、延迟或对照设置，因此不能据此量化优势，也不能确认其相对脉冲神经网络或其他 SSM 实现的提升。模型训练与重参数化细节、硬件测量条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若目标是低功耗、流式 EEG 解码，其状态演化与异步更新机制可能提供硬件设计参考，但原研究依赖事件序列输入及具有特定动态特性的器件，不能直接等同于连续采样 EEG 的处理能力。可考虑复用 SSM 状态更新及存内计算映射思路，但需改造信号编码和衰减时间尺度，并核对编码是否损失低信噪比 EEG 中的有效信息；被试与通道差异、小数据训练及器件非理想性也可能削弱效果。一个可检验的小实验是在固定被试内划分和相同训练数据下，对比数字 SSM 与采用上述约束的硬件感知 SSM，联合评估任务指标、端到端延迟及包含输入编码开销的能耗。已有 EEG 相关工作尚未检索确认。