Logistic Map Pseudo Random Number Generator in FPGA

Résumé Technique : Générateur de Nombres Pseudo-Aléatoires par Carte Logistique sur FPGA

Énoncé du Problème
Le projet répond au besoin d'un générateur de nombres pseudo-aléatoires (PRNG) fiable, adapté à une implémentation sur matériel numérique, plus précisément sur des circuits logiques programmables (FPGA). Bien que les systèmes chaotiques soient connus pour leur sensibilité aux conditions initiales (graines/seeds) et leur imprévisibilité déterministe, générer des sorties suivant une distribution spécifique — particulièrement une distribution Gaussienne (Normale) — demeure un défi. Les sorties chaotiques traditionnelles présentent souvent des dépendances entre les valeurs successives, ce qui complique l'application directe du Théorème Central Limite (TCL). De plus, l'implémentation d'équations chaotiques continues sur des FPGA est difficile en raison de la dépendance du matériel envers l'arithmétique entière discrète plutôt que les décimales à virgule flottante.

Méthodologie
Les auteurs ont développé un système de PRNG basé sur la carte logistique, un modèle chaotique défini par l'équation $x_{n+1} = r \cdot x_n(1 - x_n)$. L'implémentation a suivi une approche descendante utilisant le Verilog HDL sur une carte CMOD-A7 FPGA.

1. Adaptation de l'Algorithme :

   • Carte Logistique : Pour s'adapter aux contraintes du FPGA, la carte logistique continue a été remise à l'échelle dans un domaine entier de 16 bits (0 à 65 535). Le paramètre $r$ a été fixé à 4 pour garantir un comportement chaotique.
   • Transformation Gaussienne : Pour transformer la sortie chaotique en une distribution gaussienne, les auteurs ont appliqué une technique de Moyenne Mobile à Pondération Exponentielle (EWMA). Cette méthode lisse les données et atténue les corrélations entre les valeurs successives, permettant théoriquement l'application du TCL aux variables dépendantes. La formule EWMA utilisée était $EWA_t = \alpha \cdot r_t + (1 - \alpha) \cdot EWA_{t-1}$, avec $\alpha$ fixé à $40/50$ sur la base de simulations préliminaires sous Julia.
   • Génération de Graine (Seed) : Le système utilise une graine en temps réel dérivée d'un capteur de microphone XADC, qui capture le volume sonore ambiant. Cela garantit que les conditions initiales sont dynamiques et dépendantes de l'environnement physique.

2. Implémentation Matérielle :

   • L'architecture du système comprend des modules pour la carte logistique chaotique (chaotic_Lmap), la moyenne EWMA (EWMA_avg), un transmetteur UART pour l'enregistrement des données, un pilote d'affichage à 7 segments pour la visualisation, et des générateurs d'horloge.
   • Une boucle de rétroaction dans le module principal assure que la sortie de la carte logistique alimente son entrée pour une génération itérative.
   • Les données sont transmises via UART vers un ordinateur portable, où un script Python collecte les entiers de 16 bits, construit un histogramme et superpose une courbe de distribution normale théorique pour vérification.

3. Configuration Physique :

   • L'équipe a conçu et imprimé en 3D un boîtier conique pour loger le microphone et la carte FPGA. Cette structure concentre le son d'un haut-parleur de téléphone vers le microphone, amplifiant le signal pour générer des graines robustes pour le PRNG.

Contributions Clés

• Implémentation FPGA d'un PRNG Chaotique : La traduction réussie de la carte logistique et de l'algorithme EWMA en une conception Verilog HDL fonctionnelle sur un FPGA CMOD-A7.
• Distribution Gaussienne via le TCL : La démonstration que l'application de l'EWMA aux sorties de la carte logistique chaotique peut produire une distribution gaussienne, validée par simulation matérielle et collecte de données réelles.
• Génération de Graine par Capteur : L'intégration d'un capteur analogique (microphone) via XADC pour fournir une graine dynamique et dépendante de l'environnement, allant au-delà d'une initialisation purement algorithmique ou statique.
• Système de Vérification de Bout en Bout : Un flux de travail complet, de la génération matérielle à l'analyse logicielle (tracé d'histogramme Python), pour vérifier les propriétés statistiques des nombres générés.

Résultats
Le système a été testé sur un temps d'exécution d'environ 5 minutes (soit environ 60 itérations de collecte de données pour l'analyse initiale). Les résultats ont montré que les sorties du PRNG affichaient systématiquement une distribution gaussienne.

• Vérification Visuelle : Les histogrammes des données reçues via UART se superposaient étroitement à la courbe de distribution normale théorique calculée à l'aide de la moyenne et de l'écart type des données.
• Aléatorité : Les graphiques de séries temporelles des valeurs de sortie ne montraient aucun motif périodique, confirmant la nature chaotique de la séquence.
• Limitations : Les auteurs notent que bien que l'ajustement à la courbe gaussienne ait été réussi, un temps d'exécution plus long (des milliers d'itérations) produirait probablement un histogramme plus lisse et plus précis.

Signification et Revendications
L'article prétend démontrer l'utilité pratique et l'efficacité des systèmes chaotiques, spécifiquement la carte logistique, dans le domaine de la génération de nombres pseudo-aléatoires au sein du matériel numérique. En intégrant avec succès le Théorème Central Limite avec le lissage EWMA sur un FPGA, le projet valide une méthode pour générer des nombres pseudo-aléatoires à distribution gaussienne à partir d'une source déterministe chaotique. Ce travail met en évidence le potentiel d'utilisation de modèles chaotiques simples combinés à des techniques de lissage statistique pour créer des PRNG efficaces, fiables et implémentables sur matériel, pouvant être amorcés par des phénomènes physiques du monde réel.