多元霍克斯过程是一类广泛应用的自激励点过程模型，但其最大似然估计的传统方法计算复杂度较高，限制了在大规模数据集上的应用。经典的线性指数霍克斯过程虽然存在更快的递推计算方法，但以往的研究主要采用串行计算方式，未能充分利用现代GPU的并行计算能力。 研究提出了一种新的算法，将霍克斯过程强度表达为稀疏转移矩阵的乘积形式，这种形式允许进行线性时间的关联乘法运算。通过并行前缀扫描技术实现计算，从而得到了一种简单且高度可并行化的线性指数霍克斯过程最大似然估计算法。 该方法显著降低了计算复杂度，在并行处理器支持下可实现近似线性的加速比。算法自然地支持批处理方案，能够保持恒定的内存使用量，有效避免了GPU内存限制问题。重要的是，该方法在计算过程中不需要任何额外的假设或近似，完全保留了模型的精确似然值，确保了模型的简洁性和可解释性。 实验表明，该方法在模拟和真实数据集上均实现了数量级的速度提升，能够扩展到数千个节点和数千万个事件的规模，远超以往研究报道的处理能力。研究团队已提供了实现该优化算法的开源软件库。