Skip to content
K
KGAIT Solutions
Senarai Portfolio
R&D dalamanResearch

Kaminari — Runtime Inferens Neuromorfik

Kaminari — Neuromorphic Inference Runtime

R&D dalaman untuk runtime inferens neuromorfik dengan rangkaian saraf berduri.

2026 R&D dalaman 6 bulan 2026-04
#neuromorphic#SNN#edge#R&D

Demo Langsung

Pratonton skrin aplikasi sebenar

DEMO
app.neuro.jp/dashboard
Power draw
4.5 mW
-98.2% vs CPU
Inference latency
2.1 ms
event-driven
Accuracy (DVS-Gesture)
92.4 %
internal bench
SNN layers
12
1.2M params

Neuromorphic backend

toolchain: MetaTF 2.7 / Lava 0.9

DVS camera events

240 x 180 · 1M events/s
ON events (green) · OFF events (red)t = 142.8 ms
ONOFFlatency < 1 μs per event

Spike trains

80 ms window
020406080time (ms)N-01N-02N-03
N-0113 Hz
N-0212 Hz
N-0311 Hz

Energy per inference

same SNN workload · batch 1
CPU (x86)250mW
GPU (Jetson)85mW
Akida NSoC4.5mW

Event-driven computation only consumes power when input spikes arrive — static scenes cost near zero energy.

Benchmarks

DVS-Gesture92.4%

11 classes

N-MNIST98.1%

10 classes

SHD (audio)89.7%

20 classes

Cabaran

Menjalankan beban kerja inferens dengan rangkaian saraf berduri (SNN) pada simulator neuromorfik dengan kecekapan tenaga yang lebih baik dalam penanda aras.

Penyelesaian

Runtime SNN dengan penukar dari rangkaian biasa, penjadual peristiwa, dan harness penilaian tenaga tersimulasi — dijalankan dalam makmal dalaman.

Hasil

  • Penanda aras dalaman: penjimatan tenaga tersimulasi ~3x pada beban inferens kelas MNIST
  • Penukar SNN merangkumi 5 seni bina rangkaian standard dalam pilot dalaman
  • Beta dalaman dengan 3 penyelidik — maklum balas positif tentang API
  • R&D dalaman sahaja — tiada pelanggan berbayar
Key Metrics

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

Features

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。

Architecture

System Layers

Layered architecture showing components, responsibilities, and data flow.

L1

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。

Poisson EncoderRate EncoderTemporal EncoderDVS Ingestor
L2

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。

KIR ParserSchedulerBackend DispatcherTelemetry
L3

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。

Lava AdapterMetaTF AdapterCPU Reference
L4

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。

Tonic LoaderBench RunnerPrometheus Exporter
Development Process

How we built it

Step 1

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
Step 2

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
Step 3

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
Step 4

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
Roadmap

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。

Team

Who built it

1engineer

Roles

  • ML リサーチエンジニア
Teknologi

Tools & Platforms

Backend

RustPythonNengo

Infrastructure

PrometheusDocker

Other

Intel LavaBrainChip MetaTFsnnTorchPyTorchWebAssemblyONNXNumPyApache ArrowTonic (DVS)
Projek SebelumnyaProjek Seterusnya
Build with KGA

Berminat dengan projek serupa?

Kami akan mencadangkan penyelesaian terbaik untuk perniagaan anda.

Bincang Projek Anda