神经状态分段不再逐候选重算：复用区间统计后，同一输入最快提速1730倍
核心概要
连续神经记录中的状态边界搜索（GSBS）此前每评估一个候选边界都要重建状态模板、重算相关，跨记录和参数设置的分析因此很贵。HP-GSBS把匹配目标改写为可加的时间区间贡献，并用可复用的相关统计量计算t距离，配合流式候选归约、顺序局部精修和活动块复用，提供CPU、PyTorch CUDA与Triton三条执行路径。在七组受控负载、每组两种输入实现下，同输入中位加速为154至1730倍，全部168次优化执行复现了完整参考边界历史与所选状态数，t距离最大绝对差为1.88×10⁻¹¹。
深度剖析
神经状态分段现在可以复用已经算过的区间统计量，而不必为每个候选边界从头重建状态模板并重算相关。 原实现每次提出边界都会重建模板、重算相关，而一次插入只改变划分的一小部分，其余区间的观测与状态均值并未变化。 在七组受控负载、每组两种输入实现下，同输入中位加速为154至1730倍；中心配置上官方GSBS耗时64.7秒，CPU为0.142秒，PyTorch CUDA为0.081秒，Triton为0.099秒。
匹配目标被写成若干时间区间贡献之和，每次插入只需用子区间的贡献替换父区间的贡献。 这些区间贡献由时间前缀累积量给出，Full-Q路线把每个合法区间的得分预先存成表，候选评分因此变成固定次数的查表与标量运算。 全部168次优化执行复现了完整参考边界历史与所选状态数，状态模式与边界强度一致，t距离最大绝对差为1.88×10⁻¹¹。
划分比较所用的t距离改由相关统计量聚合得到，不再反复扫描同一批时间对相关。 t距离只依赖合格相关的计数、和与平方和，二维前缀表让每个状态区间和相邻状态区间通过四次角点查询取得这六个量。 四份BBBD脑电矩阵上，CPU、PyTorch CUDA与Triton输出相对各自参考记录边界历史完全一致，所选状态数为120至173，t距离最大绝对差在1.85×10⁻¹³至3.13×10⁻¹³之间。
启示与展望
演示范围是七组受控合成负载、四份BBBD脑电分析矩阵，以及一份23.65分钟、16名被试、4230个角回体素的Sherlock fMRI数据；fMRI部分使用一个感兴趣区、匹配容差为±3个TR（±4.5秒），零分布保留每名被试的边界数与环形间距。
若干被试所选状态数达到60或61，落在所评估搜索范围的上端，作者据此把更宽的Kmax扫描列为后续敏感性分析方向；低内存路线的测量使用单边界搜索、关闭精修、块大小为零且Kmax为16，其效率需结合该负载定义理解。