前向算法硬件能耗基准测试研究

2026年10月15日，arXiv Artificial Intelligence 发布 Przemysław Spyra 与 Witold Dzwinel 的研究，在 NVIDIA A100 GPU 上对 Forward-Forward、Cascaded Forward 和 Mono-Forward 等无需反向传播的前向算法进行硬件能耗基准测试。研究在 MNIST、Fashion-MNIST、CIFAR-10 和 CIFAR-100 四个视觉基准上完成近 1000 次运行，读取能耗、功率与内存，并与调优的 BP 基线对比。结果显示，去掉反向传播本身并不省电：FF 能耗为 BP 的 4.1 倍至 6.3 倍，CaFo 为 3.0 倍至 7.1 倍。在相同数据遍历次数下，Mono-Forward 在测试的最大配置 3x2000 多层感知机上比 BP 少用 12.5% 至 19.9% 的能耗和 24.6% 至 27.5% 的内存，功率更低且墙钟时间接近，在 CIFAR-100 上测试准确率与 BP 统计等价；但训练至收敛时，MF 在 CIFAR-10 和 CIFAR-100 上测试准确率分别超过 BP 3.90 和 5.04 个百分点，却需要 3.5 倍至 4.5 倍的数据遍历次数和 3.2 倍至 4.0 倍的能耗。

AI 根据报道生成 · 58 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。