💻 computer science

Logistic Map Pseudo Random Number Generator in FPGA

Dit artikel presenteert een FPGA-gebaseerde pseudo-willekeurige getallengenerator die gebruikmaakt van de logistische kaart en de centrale limietstelling om Gaussisch verdeelde outputs te produceren, voorzien van geïntegreerde modules voor real-time visualisatie en datatransmissie om de statistische eigenschappen van het systeem te verifiëren.

Oorspronkelijke auteurs: 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

Gepubliceerd 2026-06-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: 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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Chaos omzetten in Orde

Stel je voor dat je een machine hebt die getallen maakt. Je wilt dat deze getallen volkomen onvoorspelbaar zijn, zoals het gooien van een dobbelsteen, maar je wilt ook dat ze een specifiek patroon volgen (een "klokcurve" of Gaussische verdeling) dat nuttig is voor wetenschap en techniek.

Het team van de Singapore University of Technology and Design (SUTD) heeft een digitale machine gebouwd om precies dit te doen. Ze gebruikten een kleine computerchip genaamd een FPGA (denk aan een Lego-set voor elektronica die je direct kunt herprogrammeren) om een chaotische wiskundige formule om te zetten in een constante stroom van willekeurig ogende getallen.

Het Geheime Ingrediënt: Het "Vlindereffect"-recept

In het hart van hun machine zit iets dat de Logistische Kaart wordt genoemd.

De Analogie: Stel je een zeer gevoelig pendel voor. Als je hem aan het begin ook maar een heel klein beetje anders duwt, zwaait hij later op een totaal andere manier. Dit wordt "chaos" genoemd.
De Wiskunde: Het team gebruikte een eenvoudige vergelijking ( $x_{n+1} = r \cdot x_n(1 - x_n)$ ) die werkt als deze pendel. Als je begint met een specifiek getal (een "seed" of zaadje), spuugt de vergelijking een nieuw getal uit, dat de zaadje wordt voor de volgende ronde. Omdat de vergelijking chaotisch is, springen de getallen wild rond en herhalen ze nooit een voorspelbaar patroon.

Het Probleem: Te Veel Chaos

De ruwe getallen die uit deze chaotische vergelijking komen, zijn rommelig. Ze springen te grillig heen en weer om nuttig te zijn voor veel praktische toepassingen die een "normale" verdeling vereisen (waarbij de meeste getallen in het midden clusteren, en minder aan de uitersten).

De Oplossing: De "Smoothie Blender" (EWMA)

Om de rommeligheid op te lossen, gebruikte het team een techniek genaamd Exponentially Weighted Moving Average (EWMA).

De Analogie: Stel je voor dat je een smoothie maakt. In plaats van één groot stuk fruit te drinken (het ruwe chaotische getal), meng je het met het fruit van de afgelopen paar seconden. Je neemt een klein beetje van het nieuwe getal en mengt dit met een groot deel van het oude gemiddelde.
Het Resultaat: Deze "blending" vlakt de wilde sprongen af. Het artikel beweert dat door dit te doen, de chaotische getallen beginnen te lijken op een perfecte Klokcurve (Gaussische verdeling). Ze gebruikten een wiskundige regel genaamd de Centrale Limietstelling om uit te leggen waarom deze verzachtingstechniek werkt, ook al zijn de oorspronkelijke getallen van elkaar afhankelijk.

Hoe Ze Het Gebouwd Hebben (De Hardware)

Ze hebben niet alleen code geschreven op een computer; ze hebben een fysiek apparaat gebouwd.

De Seed (De Microfoon): Om de chaos te starten, hadden ze een "seed"-getal nodig. In plaats van een willekeurig getal uit een hoed te trekken, gebruikten ze een microfoon. Het volume van het geluid in de kamer (of het geluid van een telefoonluidspreker) werd het startgetal. Dit maakt het systeem echt responsief voor de echte wereld.
De Chip (FPGA): Ze programmeerden de logica in een CMOD-A7 chip. Deze chip heeft twee hoofdtaken:
- Chaotic_Lmap: Berekent de wilde, springende getallen.
- EWMA_avg: Mengt deze getallen om ze glad te strijken.
De Weergave: Ze verbonden een 7-segment display (zoals de digitale cijfers op een magnetron) om de getallen te tonen terwijl ze werden gegenereerd.
De Datastroom: Ze stuurden de getallen via een seriële verbinding (UART) naar een laptop om een grafiek te tekenen en te bewijzen dat de getallen daadwerkelijk een klokcurve vormden.

De "Geluidskegel"-truc

Om de microfoon-seed nog beter te maken, hebben ze een 3D-geprinte conische behuizing (zoals een megafoon) gemaakt.

Ze plaatsten de microfoon in de kegel.
Ze plaatsten ook een telefoonluidspreker in de kegel.
Waarom? De kegel concentreert de geluidsgolven, waardoor de microfoon een sterker, duidelijker signaal oppikt om te gebruiken als de "seed" voor de willekeurige getallengenerator.

De Resultaten

Toen ze de machine ongeveer 5 minuten lieten draaien (waarbij ze ongeveer 60 iteraties per seconde genereerden), verzamelden ze de gegevens op hun laptop.

Het Bewijs: Ze maakten een histogram (een staafdiagram dat laat zien hoe vaak elk getal voorkwam).
De Uitkomst: De staven vormden een vorm die heel erg leek op een vloeiende Klokcurve. Dit bewees dat hun methode — het nemen van een chaotisch systeem, het gladstrijken met EWMA en het draaien op hardware — daadwerkelijk werkt om getallen met een Gaussische verdeling te creëren.

Samenvatting

Kortom, het team nam een chaotisch wiskundig recept, voegde een "blender" toe om de ruwe randjes glad te strijken, voedde het met geluid van een microfoon en bouwde dit op een kleine elektronische chip. Het resultaat is een apparaat dat willekeurige getallen genereert die qua verdeling perfect normaal en voorspelbaar zijn, terwijl ze toch worden aangedreven door de chaotische aard van geluid.

Technische Samenvatting: Logistic Map Pseudo-Random Number Generator in FPGA

Probleemstelling
Dit project adresseert de behoefte aan een betrouwbare pseudo-willekeurige getallengenerator (PRNG) die geschikt is voor implementatie op digitale hardware, specif kindere de Field-Programmable Gate Arrays (FPGA's). Hoewel chaotische systemen bekend staan om hun gevoeligheid voor initiële condities (seeds) en deterministische onvoorspelbaarheid, blijft het genereren van outputs die een specifieke statistische verdeling volgen—met name een Gaussische (normale) verdeling—een uitdaging. Traditionele chaotische outputs vertonen vaak afhankelijkheden tussen opeenvolgende waarden, wat de directe toepassing van de Centrale Limietstelling (CLT) bemoeilijkt. Bov�wereld is bovendien de implementatie van continue chaotische vergelijkingen op FPGA's moeilijk vanwege de afhankelijkheid van de hardware van discrete integer-aritmetiek in plaats van floating-point decimalen.

Methodologie
De auteurs hebben een PRNG-systeem ontwikkeld gebaseerd op de logistische kaart (logistic map), een chaotisch model gedefinieerd door de vergelijking $x_{n+1} = r \cdot x_n(1 - x_n)$ . De implementatie volgde een top-down benadering met behulp van Verilog HDL op een CMOD-A7 FPGA bord.

Algoritme Adaptatie:
- Logistische Kaart: Om te voldoen aan de FPGA-beperkingen, werd de continue logistische kaart geschaald naar een 16-bits integer-domein (0 tot 65.535). De parameter $r$ werd ingesteld op 4 om chaotisch gedrag te garanderen.
- Gaussische Transformatie: Om de chaotische output te transformeren naar een Gaussische verdeling, pasten de auteurs een Exponentially Weighted Moving Average (EWMA) techniek toe. Deze methode vlakt de data af en vermindert de correlaties tussen opeenvolgende waarden, waardoor de CLT theoretisch kan worden toegepast op de afhankelijke variabelen. De gebruikte EWMA-formule was $EWA_t = \alpha \cdot r_t + (1 - \alpha) \cdot EWA_{t-1}$ , waarbij $\alpha$ werd ingesteld op $40/50$ op basis van voorafgaande Julia-simulaties.
- Seed Generatie: Het systeem maakt gebruik van een real-time seed afgeleid van een XADC microfoonsensor, die het omgevingsgeluid volume opvangt. Dit zorgt ervoor dat de initiële condities dynamisch en afhankelijk zijn van de fysieke omgeving.
Hardware Implementatie:
- De systeemarchitectuur bevat modules voor de chaotische logistische kaart (chaotic_Lmap), de EWMA-middeling (EWMA_avg), een UART-transmitter voor datalogging, een 7-segment display driver voor visualisatie, en klokgeneratoren.
- Een feedbacklus in het top-module zorgt ervoor dat de output van de logistische kaart terugkoppelt naar de input voor iteratieve generatie.
- Data wordt via UART verzonden naar een laptop, waar een Python-script de 16-bits integers verzamelt, een histogram construeert en een theoretische normale verdelingsoverlay gebruikt voor verificatie.
Fysieke Opstelling:
- Het team heeft een kegelvormige behuizing ontworpen en met een 3D-printer geproduceerd om de microfoon en het FPGA-bord te huisvesten. Deze structuur concentreert geluid van een telefoonluidspreker op de microfoon, waardoor het signaal wordt versterkt om robuuste seeds voor de PRNG te genereren.

Belangrijkste Bijdragen

FPGA Implementatie van Chaotische PRNG: De succesvolle vertaling van de logistische kaart en het EWMA-algoritme naar een functioneel Verilog HDL-ontwerp op een CMOD-A7 FPGA.
Gaussische Verdeling via CLT: De demonstratie dat het toepassen van EWMA op chaotische outputs van de logistische kaart een Gaussische verdeling kan opleveren, gevalideerd door hardware-simulatie en real-world dataverzameling.
Sensor-gestuurde Seeding: De integratie van een analoge sensor (microfoon) via XADC om een dynamische, omgevingsafhankelijke seed te bieden, waarmee verder wordt gegaan dan statische of puur algoritmische initialisatie.
End-to-End Verificatiesysteem: Een volledige workflow van hardwaregeneratie tot softwareanalyse (Python histogram plotting) om de statistische eigenschappen van de gegenereerde getallen te verifiëren.

Resultaten
Het systeem werd getest over een runtime van ongeveer 5 minuten (ongeveer 60 iteraties van dataverzameling voor de initiële analyse). De resultaten toonden aan dat de PRNG-outputs consistent een Gaussische verdeling vertoonden.

Visuele Verificatie: Histogrammen van de ontvangen data via UART vertoonden een nauwe overlap met de theoretische normale verdelingsoverlay berekend met het gemiddelde en de standaarddeviatie van de data.
Willekeur: Tijdreeksplots van de outputwaarden vertoonden geen periodieke patronen, wat het chaotische karakter van de sequentie bevestigt.
Beperkingen: De auteurs merken op dat hoewel de fit bij de Gaussische curve succesvol was, een langere runtime (duizenden iteraties) waarschijnlijk een gladdere, preciezere histogram zou produceren.

Betekenis en Claims
Het artikel claimt de praktische bruikbaarheid en effectiviteit te demonstreren van chaotische systemen, specifiek de logistische kaart, binnen het domein van pseudo-willekeurige getallengeneratie in digitale hardware. Door de succesvolle integratie van de Centrale Limietstelling met EWMA-smoothing op een FPGA, valideert het project een methode voor het genereren van Gaussisch-verdeelde pseudo-willekeurige getallen vanuit een deterministische chaotische bron. Het werk benadrukt het potentieel van het gebruik van eenvoudige chaotische modellen gecombineerd met statistische smoothing-technieken om efficiënte, betrouwbare en hardware-implementeerbare PRNG's te creëren die kunnen worden gestart (seeded) door real-world fysieke fenomenen.