一声枪响后，附近短时间内又发生枪击，究竟是偶然扎堆，还是前一次事件提高了后续风险？Hawkes 过程就是用来描述这种“自激”现象的点过程模型：它不按固定时间记数，而是估计每个时刻、地点发生事件的即时速率。如今事件数据越来越大，问题也随之变成：模型还能不能算得动，并且保持稳定？
难点在于，许多拟合方法需要比较大量事件对，计算量近似按事件数的平方增长。论文举例说，数据扩大十倍，似然计算——衡量模型对数据解释程度的核心步骤——所需浮点运算会扩大约一百倍。作者因此采用近期开发的多 GPU 高性能计算方案，把时空 Hawkes 模型的计算细分后并行执行，并将贝叶斯推断扩展到美国 2014 至 2024 年的 412,376 起枪支暴力事件。
“安全扩展”不只指机器跑得快。Hawkes 过程还有分支比，即一次事件平均直接触发多少个下一代事件；对平稳的单变量线性模型，它通常必须低于 1，否则事件簇可能持续放大。论文的价值在于提醒建模者同时检查计算规模与模型结构。摘要未披露本次分析的具体耗时和拟合结果，因此目前更适合把它看作一份扩展路线图，而非效果定论。