Kaminari — Neuromorphic Inference Runtime
Kaminari — Neuromorphic Inference Runtime
A neuromorphic inference runtime that executes spiking neural networks (SNNs) on Intel Loihi 2 and BrainChip Akida simulators against spike-encoded sensor data. Aims for milliwatt-class classification of sparse inputs from event-based cameras and ultrasonic sensors. Internal R&D prototype.
Live Demo
Preview the actual application interface
Neuromorphic backend
DVS camera events
240 x 180 · 1M events/sSpike trains
80 ms windowEnergy per inference
same SNN workload · batch 1Event-driven computation only consumes power when input spikes arrive — static scenes cost near zero energy.
Benchmarks
11 classes
10 classes
20 classes
Challenge
Frame-based CNNs draw multi-watt power running at constant frame rate, which won't fit on battery-powered sensor nodes. SNNs offer a path forward, but encoding schemes and target hardware vary widely, and a solo developer without physical chips needs a reproducible benchmark substrate.
Solution
A thin Rust runtime abstracts Intel Lava (Loihi 2) and Akida 1000 MetaTF behind a shared intermediate representation (KIR — Kaminari IR). Poisson / Rate / Temporal encoders are swappable WASM modules, and DVS event-camera dumps stream spikes directly. A converter exports models trained in Nengo and snnTorch into KIR.
Results
- 98.1% accuracy on N-MNIST reproduced on Akida sim internally
- DVS Gesture average latency of 2.8 ms/sample on Loihi 2 sim
- ~41× lower estimated power vs. an iso-accuracy CNN baseline (simulation)
- 100% pass rate on KIR conversion for snnTorch ↔ Lava/MetaTF round-trip
Measured Impact
N-MNIST 精度
98.1%
baseline
DVS Gesture レイテンシ
2.8ms
sim
推定消費電力削減
41x
vs CNN
KIR 変換通過率
100%
internal
What it does
ランタイム
動的バックエンド
Loihi/Akida sim/CPU を dlopen 相当で切替。
WASM 符号化
符号化器を WASM 化しサンドボックス実行。
開発者体験
snnTorch 連携
学習済み Net オブジェクトを 1行で KIR にエクスポート。
差分検証
CPU リファレンスとバックエンドの出力スパイクを自動比較。
観測性
スパイク統計
発火率・膜電位分布を Prometheus にエクスポート。
推定消費電力
Op 数とシナプス数からエネルギー推定値を算出。
System Layers
Layered architecture showing components, responsibilities, and data flow.
Layer
符号化レイヤ
実数値入力やイベントストリームを統一スパイク列に変換する WASM モジュール群。
Layer
ランタイムコア
Rust 製の推論ランタイム。バックエンドを動的にロードし、スパイク統計を収集。
Layer
バックエンド
ハードウェアシミュレータへの橋渡しと、差分検証用の純粋 CPU リファレンス実装。
Layer
評価パイプライン
N-MNIST / DVS Gesture / SHD データセットで自動ベンチを回し、メトリクスを Prometheus に公開。
How we built it
文献調査と符号化方式選定
最新の SNN 学習手法 (surrogate gradient, STDP) と符号化方式を比較検討。
Deliverables
- 研究ノート
- 符号化比較表
- KIR ドラフト仕様
KIR 実装と変換器
snnTorch 学習済みモデルを KIR に落とす変換器を Python で実装。
Deliverables
- KIR FlatBuffers スキーマ
- snnTorch→KIR コンバータ
- 往復等価性テスト
バックエンドアダプタ
Lava と MetaTF の Op セットを KIR にマッピングし、sim 経由で推論実行。
Deliverables
- Lava Adapter
- MetaTF Adapter
- CPU リファレンス
ベンチマークと公開
代表データセットで精度 / レイテンシ / 推定消費電力を計測し、内部レポート化。
Deliverables
- ベンチスクリプト
- Prometheus ダッシュボード
- R&D レポート
Delivery Timeline
- Phase 0Done2026-04-23
KIR 仕様策定
中間表現のスキーマを FlatBuffers で固定し、Lava/MetaTF の Op 集合を網羅。
- Phase 1Done2026-04-25
Akida sim バックエンド
MetaTF 経由で N-MNIST 推論を再現しベンチマーク確立。
- Phase 2Planned2026-05
Loihi 2 sim 統合
Lava バックエンドと DVS Gesture 評価を追加。
- Phase 3Planned2026-06
エッジデバイス連携
Jetson Orin 上で sim 結果と CNN ベースラインを比較。
Who built it
Roles
- ML リサーチエンジニア
Tools & Platforms
Backend
Infrastructure
Other
Considering a similar project?
We will propose the best solution for your business needs.
Discuss Your Project