近年来，随着深度学习模型处理的数据维度越来越高，传统注意力机制的二次复杂度成为瓶颈。现有的亚二次替代方案在处理图像、体积和偏微分方程（PDE）等多维数据时，往往需要做出妥协：标准卷积缺乏全局感受野和输入依赖性，而循环模型则要求将数据光栅化为一维扫描顺序，从而破坏了数据的空间结构。针对这一问题，由David R. Wessels等12位研究人员组成的团队提出了HyenaND，一种全新的亚二次、全局、输入依赖算子，能够直接作用于多维数据的原生几何结构。
HyenaND的核心思想是通过卷积操作与隐式参数化的全局、输入依赖的多维卷积核进行运算。这种设计使得HyenaND无需像传统方法那样牺牲空间结构或全局信息，即可实现亚二次的计算复杂度。具体而言，HyenaND的卷积核是隐式参数化的，这意味着它不需要显式存储整个卷积核，从而降低了内存开销。同时，卷积核是输入依赖的，能够根据输入数据动态调整，增强了模型的自适应性。
为了将理论优势转化为实际性能提升，团队提供了名为nSubQ的CUDA实现。nSubQ通过融合FFT卷积路径，将HyenaND的O(L log L)理论复杂度转化为实际的加速比。这一实现充分利用了GPU的并行计算能力，使得HyenaND在大规模数据上的运算速度显著提升。
在实验部分，团队在长上下文基因组学、计算机视觉、医学影像和PDE建模等多个领域进行了评估。结果表明，纯HyenaND堆栈能够匹配甚至超越强注意力基线的准确率。更引人注目的是，将HyenaND与注意力层交错组合的混合配置，在性能上超越了纯注意力和基于循环的强混合模型。这一成果不仅为高效处理多维数据提供了新的工具，也为未来设计更高效的神经网络架构奠定了基础。
HyenaND的提出标志着亚二次算子领域的重要进展，它解决了长期困扰研究者的多维数据结构破坏问题，同时保持了计算高效性。随着nSubQ实现的开源，预计将广泛应用于需要处理高维数据的场景，如医学影像分析、气候建模和基因组学研究等。