💻 computer science

Logistic Map Pseudo Random Number Generator in FPGA

本論文は、ロジスティック写像と中心極限定理を利用してガウス分布に従う出力を生成するFPGAベースの擬似乱数生成器を提案し、システムの統計的特性を検証するためのリアルタイム可視化およびデータ転送用の統合モジュールを備えている。

原著者： 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

公開日 2026-06-25

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： 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

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ビッグアイデア：カオスを秩序に変える

想像してみてください。あなたは数字を生み出すマシンを持っています。その数字は、サイコロを振る時のように完全に予測不可能であってほしいのですが、同時に、科学や工学に役立つ特定のパターン（「ベルカーブ」またはガウス分布）に従ってほしいと考えています。

シンガポールテクノロジーデザイン大学（SUTD）のチームは、まさにこれを行うためのデジタルマシンを構築しました。彼らは、FPGA（電子工作用のレゴセットのようなもので、瞬時に再プログラム可能なもの）と呼ばれる小さなコンピュータチップを使用して、混沌とした数学的数式を、ランダムに見える安定した数値のストリームへと変換しました。

秘密の材料：「バタフライ効果」のレシピ

このマシンの核心にあるのは、**ロジスティック写像（Logistic Map）**と呼ばれるものです。

比喩： 非常に敏感な振り子を想像してください。もし最初にほんの少しだけ押し方を変えると、後になって全く異なる動きをします。これは「カオス」と呼ばれます。
数学： チームはこの振り子のような役割を果たす単純な方程式（ $x_{n+1} = r \cdot x_n(1 - x_n)$ ）を使用しました。特定の数値（「シード」）から始めると、この方程式は新しい数値を吐き出し、それが次のラウンドのシードになります。この方程式はカオス的であるため、数値は激しく飛び回り、予測可能なパターンを繰り返すことはありません。

問題点：過剰なカオス

このカオス的な方程式から出てくる生の数値は、めちゃくちゃです。それらはあまりにも不規則に跳ね回るため、多くの「正規分布」（ほとんどの数値が中央に集まり、端の方では少なくなっている状態）を必要とする実世界のアプリケーションには使いにくいのです。

解決策：「スムージー・ブレンダー」（EWMA）

この乱雑さを修正するために、チームは**指数加重移動平均（EWвMA）**と呼ばれる手法を用いました。

比喩： スムージーを作っているところを想像してください。フルーツの大きな塊をそのまま飲む（生のカオス的な数値）のではなく、前の数秒間のフルーツと一緒にブレンドします。新しい数値を少し取り、それをごく大量の古い平均値と混ぜ合わせるのです。
結果： この「ブレンド」が、激しい跳ね上がりを滑らかにします。論文では、このスムージングを行うことで、カオス的な数値が完璧なベルカーブ（ガウス分布）のように見え始めることが主張されています。彼らは、元の数値同士が互いに依存しているにもかかわらず、なぜこのスムージングのトリックが機能するのかを説明するために、中心極限定理という数学的ルールを使用しました。

どのように構築したか（ハードウェア）

彼らは単にコンピュータ上でコードを書いたのではなく、物理的なデバイスを構築しました。

シード（マイク）： カオスを開始するために、彼らは「シード」となる数値が必要でした。帽子の中からランダムに数字を選ぶ代わりに、彼らはマイクロフォンを使用しました。部屋の中の音量（またはスマートフォンのスピーカーからの音）が、開始となる数値になりました。これにより、システムは真に現実世界に反応するものとなりました。
チップ（FPGA）： 彼らはCMOD-A7チップにロジックをプログラムしました。このチップには主に2つの役割があります。
- Chaotic_Lmap： 激しく跳ね回る数値を計算します。
- EWMA_avg： 数値をブレンドして滑らかにします。
ディスプレイ： 生成された数値を表示するために、7セグメントディスプレイ（電子レンジのデジタル数字のようなもの）を接続しました。
データストリーム： 彼らはシリアル接続（UART）を介して数値をノートパソコンに送り、グラフを描画して、数値が実際にベルカーブを形成していることを証明しました。

「サウンドコーン」のトリック

マイクロフォンのシードをより良くするために、彼らは円錐形のケース（メガホンのようなもの）を3Dプリンターで作りました。

彼らは円錐の中にマイクロフォンを入れました。
スマートフォンのスピーカーも円錐の中に配置しました。
なぜか？ 円錐は音波を集中させ、マイクロフォンが「シード」として使用するための、より強くクリアな信号を拾えるようにするためです。

結果

マシンを約5分間（毎秒約60回のイテレーションを生成）稼働させたとき、彼らはノートパソコンにデータを収集しました。

証明： 彼らはヒストグラム（どの数値がどのくらいの頻度で現れたかを示す棒グラフ）をプロットしました。
成果： 棒グラフは、非常に滑らかなベルカーブに近い形状を描きました。これは、カオス的なシステムをとり、EWMAで滑らかにし、ハードウェア上で実行するという彼らの手法が、ガウス分布を持つ乱数を生成する上で実際に機能することを証明しました。

まとめ

要約すると、チームは混沌とした数学的レシピを取り、その粗いエッジを滑らかにするための「ブレンダー」を加え、マイクロフォンからの音を供給源とし、それを小さな電子チップ上に構築しました。その結果、音の混沌とした性質によって駆動されながら、その分布が完璧に正常かつ予測可能に見える乱数を生成するデバイスが完成したのです。

技術要約：FPGAにおけるロジスティック写像を用いた擬似乱数生成器

問題提起
本プロジェクトは、デジタルハードウェア、特にフィールド・プログラマブル・ゲート・アレイ（FPGA）への実装に適した、信頼性の高い擬似乱数生成器（PRNG）の必要性に対処している。カオス系は初期条件（シード）に対する敏感さや決定論的な予測不可能性で知られているが、特定の統計分布、特にガウス分布（正規分布）に従う出力を生成することは依然として課題である。従来のカオス出力は、連続する値の間に依存性を生じさせることがあり、中心極限定理（CLT）を直接適用することを困難にしている。さらに、FPGAの実装は浮動小数点数ではなく離散的な整数演算に依存しているため、連続的なカオス方程式をFPGA上で実装することは困難である。

手法
著者らは、 $x_{n+1} = r \cdot x_n(1 - x_n)$ で定義されるカオスモデルであるロジスティック写像に基づいたPRNGシステムを開発した。実装には、CMOD-A7 FPGAボード上でVerilog HDLを用いたトップダウン・アプローチを採用した。

アルゴリズムの適応:
- ロジスティック写像: FPGAの制約に対応するため、連続的なロジスティック写像を16ビット整数ドメイン（0から65,535）に再スケールした。パラメータ $r$ は、カオス的挙動を確実にするために4に設定された。
- ガウス変換: カオスの出力をガウス分布に変換するために、著者らは**指数加重移動平均（EWMA）**技術を適用した。この手法はデータを平滑化し、連続する値間の相関を軽減するものであり、理論的に従属変数に対してCLTを適用することを可能にする。使用されたEWMAの式は $EWA_t = \alpha \cdot r_t + (1 - \alpha) \cdot EWA_{t-1}$ であり、 $\alpha$ は事前のJuliaによるシミュレーションに基づき $40/50$ に設定された。
- シード生成: システムは、周囲の音量を捉えるXADCマイクロフォンセンサから得られるリアルタイムのシードを利用する。これにより、初期条件が動的かつ物理環境に依存したものとなる。
ハードウェア実装:
- システム構成には、カオス的ロジスティック写像（chaotic_Lmap）、EWMA平均化（EWMA_avg）、データログ用のUARTトランスミッタ、可視化用の7セグメントディスプレイ・ドライバ、およびクロック生成器のモジュールが含まれる。
- トップモジュールのフィードバックループにより、ロジスティック写像の出力が反復生成のためにその入力へとフィードバックされる仕組みとなっている。
- データはUARTを介してノートPCに送信され、Pythonスクリプトが16ビット整数を収集し、ヒストグラムを作成して、検証のために理論的な正規分布曲線を重ね合わせる。
物理的セットアップ:
- チームは、マイクロフォンとFPGAボードを収めるための円錐形の筐体を設計し、3Dプリントした。この構造は、スマートフォンのスピーカーからの音をマイクロフォンに集中させ、信号を増幅することで、PRNGのための堅牢なシードを生成する。

主な貢献

FPCAにおけるカオス的PRNGの実装: CMOD-A7 FPGA上での、Verilog HDLを用いたロジスティック写像およびEWMAアルゴリズムの機能的な翻訳の成功。
CLTによるガウス分布の実現: EWMA平滑化をロジスティック写像の出力に適用することで、ガウス分布が得られることを、ハードウェアシミュレーションと実世界のデータ収集を通じて実証した。
センサ駆動型シード生成: アナログセンサ（マイクロフォン）をXADCを介して統合することで、静的または純粋にアルゴリズム的な初期化を超えた、動的で環境依存のシードを提供した。
エンドツーエンドの検証システム: ハードウェア生成からソフトウェア解析（Pythonによるヒストグラム描画）に至る完全なワークフローを構築し、生成された数値の統計的特性を検証した。

結果
システムは約5分間の実行時間（初期分析のためのデータ収集の約60イテレーション）にわたってテストされた。結果として、PRNG出力は一貫してガウス分布を示した。

視覚的検証: UART経由で受信したデータのヒストグラムは、データの平均と標準偏差を用いて計算された理論的な正規分布曲線と密接に重なり合った。
ランダム性: 出力値の時系列プロットは周期的なパターンを示さず、シーケンスのカオス的な性質を裏付けた。
限界: 著者らは、ガウス曲線への適合は成功したものの、より長い実行時間（数千回のイテレーション）があれば、より滑らかで精密なヒストグラムが得られたであろうと述べている。

意義と主張
本論文は、デジタルハードウェアの領域における、ロジスティック写像のようなカオス系の実用的な有用性と有効性を実証していると主張している。FPGA上で中心極限定理とEWMA平滑化を統合することに成功することで、本プロジェクトは、決定論的なカオス源からガウス分布に従う擬似乱数を生成する手法を検証した。本研究は、単純なカオスモデルと統計的な平滑化技術を組み合わせることで、効率的で信頼性が高く、ハードウェア実装可能なPRNGを作成できる可能性を強調している。