💻 computer science

Logistic Map Pseudo Random Number Generator in FPGA

Dieses Papier präsentiert einen FPGA-basierten Pseudozufallszahlengenerator, der die logistische Abbildung und den zentralen Grenzwertsatz nutzt, um gaußverteilte Ausgaben zu erzeugen, wobei integrierte Module zur Echtzeitvisualisierung und Datenübertragung zur Verifizierung der statistischen Eigenschaften des Systems enthalten sind.

Ursprüngliche Autoren: Mateo Jalen Andrew Calderon, Lee Jun Lei Lucas, Syarifuddin Azhar Bin Rosli, Stephanie See Hui Ying, Jarell Lim En Yu, Maoyang Xiang, T. Hui Teo

Veröffentlicht 2026-06-25

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Mateo Jalen Andrew Calderon, Lee Jun Lei Lucas, Syarifuddin Azhar Bin Rosli, Stephanie See Hui Ying, Jarell Lim En Yu, Maoyang Xiang, T. Hui Teo

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die große Idee: Ordnung aus dem Chaos erschaffen

Stellen Sie sich vor, Sie haben eine Maschine, die Zahlen erzeugt. Sie möchten, dass diese Zahlen völlig unvorhersehbar sind, wie beim Würfelwerfen, aber Sie wollen auch, dass sie einem bestimmten Muster folgen (einer „Glockenkurve“ oder Gauß-Verteilung), das für die Wissenschaft und Technik nützlich ist.

Das Team der Singapore University of Technology and Design (SUTD) hat eine digitale Maschine gebaut, um genau das zu erreichen. Sie nutzten einen winzigen Computerchip namens FPGA (denken Sie an ein Lego-Set für Elektronik, das man sofort neu programmieren kann), um eine chaotische mathematische Formel in einen stetigen Strom von scheinbar zufälligen Zahlen zu verwandeln.

Die geheime Zutat: Das Rezept des „Schmetterlingseffekts“

Das Herzstück ihrer Maschine ist etwas, das Logistische Abbildung (Logistic Map) genannt wird.

Die Analogie: Stellen Sie sich ein sehr empfindliches Pendel vor. Wenn man es zu Beginn nur ein winziges, winziges Stück anders anstößt, schwingt es später auf eine völlig andere Weise. Dies nennt man „Chaos“.
Die Mathematik: Das Team verwendete eine einfache Gleichung ( $x_{n+1} = r \cdot x_n(1 - x_n)$ ), die wie dieses Pendel fungiert. Wenn man mit einer bestimmten Zahl (einem „Seed“ oder Startwert) beginnt, spuckt die Gleichung eine neue Zahl aus, die dann als Startwert für die nächste Runde dient. Da die Gleichung chaotisch ist, springen die Zahlen wild umher und wiederholen sich nie in einem vorhersagbaren Muster.

Das Problem: Zu viel Chaos

Die Rohzahlen, die aus dieser chaotischen Gleichung kommen, sind ungeordnet. Sie springen zu erratisch hin und her, um für viele reale Anwendungen nützlich zu sein, die eine „normale“ Verteilung erfordern (bei der die meisten Zahlen in der Mitte gruppiert sind und nur wenige an den Extremen liegen).

Die Lösung: Der „Smoothie-Mixer“ (EWMA)

Um das Chaos zu bändigen, nutzte das Team eine Technik namens Exponential Moving Average (EWMA) (exponentiell gewichteter gleitender Durchschnitt).

Die Analogie: Stellen Sie sich vor, Sie machen einen Smoothie. Anstatt ein einziges riesiges Stück Frucht zu essen (die rohe chaotische Zahl), mixen Sie es mit der Frucht der letzten paar Sekunden. Sie nehmen ein kleines Stück der neuen Zahl und mischen es mit einem großen Teil des alten Durchschnitts.
Das Ergebnis: Dieses „Mixen“ glättet die wilden Sprünge. Das Papier behauptet, dass durch dieses Glätten die chaotischen Zahlen beginnen, wie eine perfekte Glockenkurve (Gauß-Verteilung) auszusehen. Das Team nutzte eine mathematische Regel namens Zentraler Grenzesatz, um zu erklären, warum dieser Glättungstrick funktioniert, obwohl die ursprünglichen Zahlen voneinander abhängig waren.

So wurde es gebaut (Die Hardware)

Sie haben den Code nicht nur auf einem Computer geschrieben; sie haben ein physisches Gerät gebaut.

Der Seed (Das Mikrofon): Um das Chaos zu starten, brauchten sie eine „Seed“-Zahl. Anstatt eine Zufallszahl aus einem Hut zu ziehen, nutzten sie ein Mikrofon. Die Lautstärke des Geräusches im Raum (oder des Schalls eines Telefonlautsprechers) wurde zur Startzahl. Dies macht das System wahrhaft reaktionsfähig auf die reale Welt.
Der Chip (FPGA): Sie programmierten die Logik in einen CMOD-A7 Chip. Dieser Chip hat zwei Hauptaufgaben:
- Chaotic_Lmap: Berechnet die wild springenden Zahlen.
- EWMA_avg: Mischt diese Zahlen, um sie zu glätten.
Die Anzeige: Sie schlossen eine 7-Segment-Anzeige (wie die digitalen Zahlen an einem Mikrowellengerät) an, um die Zahlen anzuzeigen, während sie generiert wurden.
Der Datenstrom: Sie sendeten die Zahlen über eine serielle Verbindung (UART) an einen Laptop, um einen Graphen zu zeichnieren und zu beweisen, dass die Zahlen tatsächlich eine Glockenkurve bilden.

Der „Schallkegel“-Trick

Um den Mikrofon-Seed noch besser zu machen, druckten sie einen 3D-gedruckten konischen Gehäuse (wie ein Megafon).

Sie platzierten das Mikrofon in den Kegel.
Sie platzierten auch einen Telefonlautsprecher in den Kegel.
Warum? Der Kegel konzentriert die Schallwellen, wodurch das Mikrofon ein stärkeres, klareres Signal aufnimmt, um es als „Seed“ für den Zufallszahlengenerator zu verwenden.

Die Ergebnisse

Als sie die Maschine etwa 5 Minuten lang laufen ließen (wobei sie etwa 60 Iterationen pro Sekunde erzeugten), sammelten sie die Daten auf ihrem Laptop.

Der Beweis: Sie erstellten ein Histogramm (ein Balkendiagramm, das zeigt, wie oft jede Zahl vorkam).
Das Ergebnis: Die Balken bildeten eine Form, die einer sehr glatten Glockenkurve entsprach. Dies bewies, dass ihre Methode – ein chaotisches System zu nehmen, es mit EWMA zu glätten und auf Hardware auszuführen – tatsächlich funktioniert, um gaußverteilte Zufallszahlen zu erzeugen.

Zusammenfassung

Kurz gesagt: Das Team nahm ein chaotisches mathematisches Rezept, fügte einen „Mixer“ hinzu, um die rauen Kanten zu glätten, fütterte es mit Schall von einem Mikrofon und baute es auf einem winzigen elektronischen Chip auf. Das Ergebnis ist ein Gerät, das Zufallszahlen erzeugt, die in ihrer Verteilung perfekt normal und vorhersagbar aussehen, während sie gleichzeitig durch die chaotische Natur des Schalls angetrieben werden.

Technische Zusammenfassung: Logistische Map-Pseudo-Zufallszahlengenerierung in einer FPGA

Problemstellung
Das Projekt adressiert den Bedarf an einem zuverlässigen Pseudo-Zufallszahlengenerator (PRNG), der für die Implementierung auf digitaler Hardware, speziell auf Field-Programmable Gate Arrays (FPGAs), geeignet ist. Während chaotische Systeme für ihre Sensitivität gegenüber Anfangsbedingungen (Seeds) und deterministische Unvorhersehbarkeit bekannt sind, bleibt die Erzeugung von Ausgaben, die einer spezifischen statistischen Verteilung folgen – insbesondere einer Gaußschen (Normal-)Verteilung – eine Herausforderung. Traditionelle chaotische Ausgaben weisen oft Abhängigkeiten zwischen aufeinanderfolgenden Werten auf, was die direkte Anwendung des Zentralen Grenzwertsatzes (ZGS) erschwert. Zudem ist die Implementierung kontinuierlicher chaotischer Gleichungen auf FPGAs schwierig, da deren Hardware auf diskreter Ganzzahlarithmetik statt auf Gleitkommazahlen basiert.

Methodik
Die Autoren entwickelten ein PRNG-System basierend auf der logistischen Map, einem chaotischen Modell, das durch die Gleichung $x_{n+1} = r \cdot x_n(1 - x_n)$ definiert ist. Die Implementierung folgte einem Top-Down-Ansatz unter Verwendung von Verilog HDL auf einem CMOD-A7 FPGA Board.

Algorithmen-Adaption:
- Logistische Map: Um den FPGA-Beschränkungen gerecht zu werden, wurde die kontinuierliche logistische Map auf einen 16-Bit-Ganzzahldomain (0 bis 65.535) skaliert. Der Parameter $r$ wurde auf 4 gesetzt, um chaotisches Verhalten zu gewährleisten.
- Gaußsche Transformation: Um die chaotische Ausgabe in eine Gaußsche Verteilung zu transformieren, wandten die Autoren eine Technik des exponentiell gewichteten gleitenden Durchschnitts (EWMA) an. Diese Methode glättet die Daten und mildert Korrelationen zwischen aufeinanderfolgenden Werten ab, was theoretisch ermöglicht, dass der ZGS auf die abhängigen Variablen anwendbar ist. Die verwendete EWMA-Formel war $EWA_t = \alpha \cdot r_t + (1 - \alpha) \cdot EWA_{t-1}$ , wobei $\alpha$ basierend auf vorläufigen Julia-Simulationen auf $40/50$ gesetzt wurde.
- Seed-Generierung: Das System nutzt einen Echtzeit-Seed, der aus einem XADC-Mikrofonsensor abgeleitet wird, welcher die Umgebungsschalllautstärke erfasst. Dies stellt sicher, dass die Anfangsbedingungen dynamisch und von der physischen Umgebung abhängig sind.
Hardware-Implementierung:
- Die Systemarchitektur umfasst Module für die chaotische logistische Map (chaotic_Lmap), den EWMA-Mittelwert (EWMA_avg), einen UART-Transmitter zur Datenprotokollierung, einen 7-Segment-Display-Treiber zur Visualisierung sowie Taktgeneratoren.
- Eine Rückkopplungsschleife im Top-Modul stellt sicher, dass die Ausgabe der logistischen Map wieder in ihre Eingabe zurückgeführt wird, um eine iterative Generierung zu ermöglichen.
- Die Daten werden via UART an einen Laptop übertragen, wo ein Python-Skript die 16-Bit-Ganzzahlen sammelt, ein Histogramm erstellt und eine theoretische Normalverteilungskurve zur Verifizierung darüberlegt.
Physischer Aufbau:
- Das Team entwarf und druckte mittels 3D-Druck ein konisches Gehäuse, um das Mikrofon und das FPGA-Board unterzubringen. Diese Struktur konzentriert den Schall eines Telefonlautsprechers auf das Mikrofon und verstärkt so das Signal, um robuste Seeds für den PRNG zu generieren.

Wesentliche Beiträge

FPGA-Implementierung eines chaotischen PRNG: Die erfolgreiche Übersetzung der logistischen Map und des EWMA-Algorithmus in ein funktionales Verilog-HDL-Design auf einem CMOD-A7 FPGA.
Gaußsche Verteilung via ZGS: Die Demonstration, dass die Anwendung von EWMA auf die Ausgaben der chaotischen logistischen Map eine Gaußsche Verteilung liefern kann, validiert durch Hardware-Simulation und reale Datenerhebung.
Sensor-gesteuerte Seed-Generierung: Die Integration eines analogen Sensors (Mikrofon) via XADC zur Bereitstellung eines dynamischen, umgebungsabhängigen Seeds, was über eine rein statische oder algorithmische Initialisierung hinausgeht.
End-to-End-Verifizierungssystem: Ein vollständiger Workflow von der Hardware-Generierung bis zur Software-Analyse (Python-Histogramm-Plotting), um die statistischen Eigenschaften der generierten Zahlen zu verifizieren.

Ergebnisse
Das System wurde über eine Laufzeit von etwa 5 Minuten (ca. 60 Iterationen der Datenerfassung für die initiale Analyse) getestet. Die Ergebnisse zeigten, dass die PRNG-Ausgaben konsistent eine Gaußsche Verteilung aufwiesen.

Visuelle Verifizierung: Die Histogramme der via UART empfangenen Daten deckten sich eng mit der theoretischen Normalverteilungskurve, die unter Verwendung von Mittelwert und Standardabweichung der Daten berechnet wurde.
Zufälligkeit: Zeitreihen-Diagramme der Ausgabewerte zeigten keine periodischen Muster, was den chaotischen Charakter der Sequenz bestätigt.
Einschränkungen: Die Autoren merken an, dass, obwohl die Anpassung an die Gaußsche Kurve erfolgreich war, eine längere Laufzeit (tausende Iterationen) wahrscheinlich ein glatteres, präziseres Histogramm erzeugt hätte.

Bedeutung und Ansprüche
Die Arbeit behauptet, den praktischen Nutzen und die Effektivität chaotischer Systeme, speziell der logistischen Map, im Bereich der Pseudo-Zufallszahlengenerierung innerhalb digitaler Hardware nachzuweisen. Durch die erfolgreiche Integration des Zentralen Grenzwertsatzes mit EWMA-Glättung auf einem FPGA validiert das Projekt eine Methode zur Erzeugung von Gauß-verteilten Pseudo-Zufallszahlen aus einer deterministischen chaotischen Quelle. Die Arbeit unterstreicht das Potenzial, einfache chaotische Modelle in Kombination mit statistischen Glättungstechniken einzusetzen, um effiziente, zuverlässige und hardwareimplementierbare PRNGs zu schaffen, die durch reale physikalische Phänomene geseedet werden können.