Early access abstract only but some interesting authors using Akida and Raspberry Pi.
Fernando Sevilla Martínez
e-Health Center, Universitat Oberta de Catalunya UOC, Barcelona, Spain
Volkswagen AG, Wolfsburg, Germany
Jordi Casas-Roma
Computer Vision Center, Universitat Autònoma de Barcelona, Barcelona, Spain
Laia Subirats
e-Health Center, Universitat Oberta de Catalunya UOC, Barcelona, Spain
Raúl Parada
Centre Tecnològic de Telecomunicacions de Catalunya CTTC/CERCA, Barcelona, Spain
Eco-Efficient Deployment of Spiking Neural Networks on Low-Cost Edge Hardware
Abstract:
This letter presents a practical and energy-aware framework for deploying Spiking Neural Networks on low-cost hardware for edge computing on existing software and hardware components. We detail a reproducible pipeline that integrates neuromorphic processing with secure remote access and distributed intelligence.
Using Raspberry Pi and the BrainChip Akida PCIe accelerator, we demonstrate a lightweight deployment process including model training, quantization, and conversion. Our experiments validate the eco-efficiency and networking potential of neuromorphic AI systems, providing key insights for sustainable distributed intelligence. This letter offers a blueprint for scalable and secure neuromorphic deployments across edge networks, highlighting the novelty of providing a reproducible integration pipeline that brings together existing components into a practical, energy-efficient framework for real-world use.
Great find,
@Fullmoonfever!
It appears, though, that you haven’t yet made the connection between the paywalled IEEE Networking Letter titled “Eco-Efficient Deployment of Spiking Neural Networks on Low-Cost Edge Hardware” and the GitHub repository named “SevillaFe/SNN_Akida_RPI5” by first author Fernando Sevilla Martínez, which you had already discovered back in July.
Eco-Efficient Deployment of Spiking Neural Networks on Low-Cost Edge Hardware - SevillaFe/SNN_Akida_RPI5
github.com
View attachment 91440
At the time, the content freely accessible via GitHub enabled us to gather quite a bit of info on the use cases Fernando Sevilla Martínez and his fellow researchers (which as predicted includes Raúl Parada Medina) had had in mind, when they set out to “
validate the eco-efficiency and networking potential of neuromorphic AI systems, providing key insights for sustainable distributed intelligence”.
The GitHub repository concluded with the acknowledgment that “
This implementation is part of a broader effort to demonstrate low-cost, energy-efficient neuromorphic AI for distributed and networked edge environments, particularly leveraging the BrainChip Akida PCIe board and Raspberry Pi 5 hardware.” Nevertheless,
one focus was evidently on V2X (= Vehicle-to-Everything) communication systems.
So I am reposting some of the July posts on this topic here to refresh our memory:
Please find below an article published today on the Universitat Oberta de Catalunya (UOC) website, referring to two papers co-authored by Fernando Sevilla Martínez, Jordi Casas-Roma, Laia Subirats & Raúl Parada Medina - familiar names that have come up in several 2025 posts here on TSE.
Back in September,
@Fullmoonfever had spotted an early access abstract of the first paper referenced (“
Eco-Efficient Deployment of Spiking Neural Networks on Low-Cost Edge Hardware”)
,
which “presents a practical pipeline for deploying Spiking Neural Networks (SNNs) on low-cost edge hardware, combining Raspberry Pi 5 (RPI5) with the BrainChip Akida PCIe accelerator”. I then linked the abstract to a
GitHub repository named “
SevillaFe/SNN_Akida_RPI5”
, which
@Fullmoonfever had discovered two months earlier.
Today’s UOC publication provides a link, through which the full paper can now be accessed - cf. my screenshots below.
The second paper referenced in the article ("Energy-aware regression in spiking neural networks for autonomous driving: A comparative study with convolutional networks"
https://onlinelibrary.wiley.com/doi/10.1155/int/4879993) does not mention BrainChip or Akida.
Investigadores de la UOC proponen una inteligencia artificial más sostenible y eficiente utilizando redes neuronales de impulsos. Su modelo reduce el consumo energético.
www.uoc.edu
22/1/26 ·
TECNOLOGÍA
Investigadores de la UOC desarrollan un modelo de IA de bajo consumo y alto rendimiento
El uso de redes neuronales de impulsos reduce el consumo energético de la IA y acerca la tecnología a grupos y comunidades con menos recursos
Una inteligencia artificial más eficiente no solo beneficia al planeta, sino que también permite mejorar la resiliencia en entornos con conectividad o energía limitadas
La eficiencia energética debe pasar a ser un parámetro central en el diseño de la IA (foto: Adobe)
Juan F. Samaniego / Roser Montserrat
No existe inteligencia artificial sin energía: un centro de datos dedicado en exclusiva a productos y servicios de IA consume hoy tanta electricidad como 100.000 hogares, según la Agencia Internacional de la Energía (
AIE). En los últimos años, la inteligencia artificial ha dejado de pertenecer en exclusiva al mundo de la investigación para conquistar cada vez más espacios de nuestra vida y ello ha venido acompañado de un aumento importante de sus necesidades de energía. De acuerdo con la AIE,
los centros de datos consumen en la actualidad un 1,5 % de toda la electricidad producida en el mundo y, si nada cambia, su demanda de energía se duplicará de aquí a finales de la década.
En el camino para que algo cambie y se reduzca la huella energética de la IA, dos trabajos de la Universitat Oberta de Catalunya (
UOC), con la participación de los investigadores Fernando Sevilla Martínez y
Laia Subirats Maté, del grupo
NeuroADaS Lab (Cognitive Neuroscience and Applied Data Science Lab), proponen sendas
alternativas hacia una IA más sostenible y eficiente y, también, más asequible. Los artículos han sido publicados en abierto en
IEEE Networking Letters y en el
International Journal of Intelligent Systems.
También tiene implicaciones desde el punto de vista social y ético, ya que permite que la IA esté al alcance de cualquier persona y refuerza la privacidad de los datos”
La eficiencia energética debe pasar a ser
un parámetro central en el diseño de la IA. No se trata solo de hacer modelos más rápidos o con mejor rendimiento, sino de hacerlos sostenibles, éticos y accesibles", señala Subirats Maté, también profesora agregada de los
Estudios de Informática, Multimedia y Telecomunicación de la UOC. "Diseñar IA energéticamente eficiente no solo beneficia al planeta, sino que también permite desplegar IA en dispositivos pequeños como robots y sensores, reducir los costes de operación de las empresas y los centros de datos y mejorar la resiliencia en entornos con conectividad o energía limitadas".
Redes neuronales más ecológicas
El primero de los trabajos publicados, liderado desde la UOC por el doctorando Fernando Sevilla Martínez y con la participación de la Universitat Autònoma de Barcelona, el Centre de Visió per Computador (CVC/UAB), el Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) y el grupo Volkswagen, ha demostrado que es posible desarrollar redes neuronales de impulsos (un tipo de IA que imita el funcionamiento del cerebro humano) de bajo consumo y de alto rendimiento
utilizando componentes económicos y accesibles, como Raspberry Pi 5 y
el acelerador BrainChip Akida. Este estudio abre el camino hacia redes distribuidas de inteligencia artificial eficientes energéticamente, aplicables en campos como el transporte, la monitorización ambiental o el internet de las cosas (IoT) industrial.
"La metodología que proponemos permite entrenar, convertir y ejecutar estos modelos de redes neuronales de impulsos sin necesidad de una unidad de procesamiento gráfico ni de conexión a un centro de datos o a la nube, con un consumo de menos de diez vatios de energía", detallan los autores. "Además, gracias a otras tecnologías como Message Queuing Telemetry Transport, Secure Shell y comunicación Vehicle-to-Everything,
varios dispositivos pueden colaborar entre sí en tiempo real, y compartir resultados en menos de un milisegundo y con un gasto energético de apenas diez a treinta microjulios por operación".
De acuerdo con los investigadores, esto no solo tiene implicaciones desde el punto de vista del consumo energético, sino también desde el punto de vista social y ético, ya que
permite que la IA esté al alcance de cualquier persona y refuerza la privacidad de los datos. Esto hace que las escuelas o los hospitales, las zonas rurales con infraestructura limitada o los grupos de ciudadanos con pocos recursos puedan usar una inteligencia artificial eficiente, sostenible, accesible y distribuida.
Hacia una conducción autónoma eficiente
El segundo de los trabajos, liderado también desde la UOC por Fernando Sevilla Martínez y con los mismos participantes que el anterior, analiza en detalle cómo las redes neuronales de impulsos pueden
reducir el consumo energético de los sistemas de conducción autónoma, en comparación con las redes convolucionales, muy utilizadas en sistemas de visión artificial como los que llevan algunos vehículos autónomos. Para ello, comparan ambas tecnologías en tareas como la predicción de ángulos de giro del volante o la detección de obstáculos. La propuesta de los investigadores pasa también por introducir una nueva forma de medir la eficiencia real de los sistemas, para lograr así un mejor equilibrio entre precisión y consumo energético.
"Las pruebas que hemos llevado a cabo con diferentes arquitecturas muestran que las redes neuronales de impulsos con una determinada codificación logran un equilibrio óptimo entre rendimiento y bajo consumo,
y utilizan entre diez y veinte veces menos energía que las redes convolucionales", explican los investigadores del grupo
NeuroADaS Lab de la UOC, adscrito al
eHealth Centre. "Esto demuestra que las redes neuronales pueden impulsar una IA más sostenible incluso sin la necesidad de hardwareespecializado, lo que marca un hito clave hacia una computación eficiente en el transporte inteligente y autónomo", añaden.
De acuerdo con los autores, ambos estudios aportan datos valiosos en la investigación para lograr sistemas de IA que consuman menos energía y, por lo tanto,
sean también más asequibles y accesibles. "El primer trabajo aporta un flujo de trabajo práctico con menos demanda eléctrica, menor generación de calor y la posibilidad de desplegar la IA directamente sin centros de datos, el llamado edge computing", concluyen. "Y el segundo introduce una métrica que combina rendimiento y consumo energético, lo que nos permite impulsar el diseño de una IA más sostenible".
Artículos relacionados
Martínez, F.S., Casas-Roma, J., Subirats, L., & Parada, R. (2025) "Eco-Efficient Deployment of Spiking Neural Networks on Low-Cost Edge Hardware". IEEE Networking Letters
https://doi.org/10.1109/LNET.2025.3611426.
Sevilla Martínez, F., Casas-Roma, J., Subirats, L., & Parada, R. (2025). "Energy-aware regression in spiking neural networks for autonomous driving: A comparative study with convolutional networks". International Journal of Intelligent Systems
https://doi.org/10.1155/int/4879993.
English translation by DeepL:
22/1/26 - TECHNOLOGY
UOC researchers develop a low-consumption, high-performance AI model
The use of pulse neural networks reduces the energy consumption of AI and brings the technology closer to groups and communities with fewer resources.
More efficient artificial intelligence not only benefits the planet, but also improves resilience in environments with limited connectivity or energy.
Energy efficiency must become a central parameter in AI design (photo: Adobe).
Juan F. Samaniego / Roser Montserrat
There is no artificial intelligence without energy: a data centre dedicated exclusively to AI products and services now consumes as much electricity as 100,000 homes, according to the International Energy Agency (IEA). In recent years, artificial intelligence has moved from the world of research into more and more areas of our lives, and this has been accompanied by a significant increase in its energy needs. According to the IEA, data centres currently consume 1.5% of all electricity produced worldwide and, if nothing changes, their energy demand will double by the end of the decade.
On the road to making a difference and reducing the energy footprint of AI, two papers from the Universitat Oberta de Catalunya (UOC), with the participation of researchers Fernando Sevilla Martínez and Laia Subirats Maté, from the NeuroADaS Lab (Cognitive Neuroscience and Applied Data Science Lab) group, propose alternative paths towards a more sustainable and efficient AI that is also more affordable. The articles have been published openly in IEEE Networking Letters and the International Journal of Intelligent Systems.
"It also has implications from a social and ethical point of view, as it allows AI to be available to anyone and reinforces data privacy
"Energy efficiency must become a central parameter in AI design. It's not just about making models faster or with better performance, but about making them sustainable, ethical and accessible," says Subirats Maté, also an associate professor at the UOC's Faculty of Computer Science, Multimedia and Telecommunications. "Designing energy-efficient AI not only benefits the planet, but also makes it possible to deploy AI in small devices such as robots and sensors, reduce the operating costs of companies and data centres, and improve resilience in environments with limited connectivity or energy".
Greener neural networks
The first of the published studies, led at the UOC by PhD student Fernando Sevilla Martínez and with the participation of the Universitat Autònoma de Barcelona, the Centre de Visió per Computador (CVC/UAB), the Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) and the Volkswagen Group, has shown that it is possible to develop low-power, high-performance impulse neural networks (a type of AI that mimics the functioning of the human brain) using inexpensive and accessible components, such as Raspberry Pi 5 and the
BrainChip Akida accelerator. This study paves the way towards energy-efficient distributed artificial intelligence networks, applicable in fields such as transport, environmental monitoring and the industrial internet of things (IoT).
"The methodology we propose allows training, converting and executing these neural network models without the need for a graphics processing unit or connection to a data centre or the cloud, with a power consumption of less than ten watts,' the authors explain. "Furthermore, thanks to other technologies such as Message Queuing Telemetry Transport, Secure Shell and Vehicle-to-Everything communication, multiple devices can collaborate with each other in real time, sharing results in less than a millisecond and with an energy expenditure of only ten to thirty microjoules per operation.
According to the researchers, this not only has implications from an energy consumption point of view, but also from a social and ethical point of view, as it makes AI accessible to anyone and enhances data privacy. This makes it possible for schools or hospitals, rural areas with limited infrastructure or groups of citizens with few resources to use efficient, sustainable, accessible and distributed artificial intelligence.
Towards efficient autonomous driving
The second study, also led at the UOC by Fernando Sevilla Martínez and with the same participants as the previous one, analyses in detail how impulse neural networks can reduce the energy consumption of autonomous driving systems, compared with convolutional networks, which are widely used in artificial vision systems such as those used in some autonomous vehicles. To this end, they compare both technologies in tasks such as steering wheel steering angle prediction or obstacle detection. The researchers' proposal also involves introducing a new way of measuring the real efficiency of the systems, in order to achieve a better balance between precision and energy consumption.
"The tests we have carried out with different architectures show that pulse neural networks with a specific encoding achieve an optimal balance between performance and low power consumption, and use between ten and twenty times less energy than convolutional networks," explain the researchers from the UOC's NeuroADaS Lab group, which is part of the eHealth Centre. "This shows that neural networks can drive more sustainable AI even without the need for specialised hardware, marking a key milestone towards efficient computing in intelligent and autonomous transport," they add.
According to the authors, both studies provide valuable insights into research for AI systems that consume less energy and are therefore also more affordable and accessible. "The first paper provides a practical workflow with lower power demand, less heat generation and the possibility to deploy AI directly without data centres, so-called edge computing," they conclude. "And the second introduces a metric that combines performance and energy consumption, allowing us to drive the design of more sustainable AI.
Related articles
Martínez, F.S., Casas-Roma, J., Subirats, L., & Parada, R. (2025) "Eco-Efficient Deployment of Spiking Neural Networks on Low-Cost Edge Hardware". IEEE Networking Letters
https://doi.org/10.1109/LNET.2025.3611426.
Sevilla Martínez, F., Casas-Roma, J., Subirats, L., & Parada, R. (2025). "Energy-aware regression in spiking neural networks for autonomous driving: A comparative study with convolutional networks". International Journal of Intelligent Systems
https://doi.org/10.1155/int/4879993.
https://ieeexplore.ieee.org/ielx8/8...leHBsb3JlLmllZWUub3JnL2RvY3VtZW50LzExMTcxNjE3
