💻 computer science

Logistic Map Pseudo Random Number Generator in FPGA

本文提出了一种基于 FPGA 的伪随机数生成器，该生成器利用逻辑映射和中心极限定理来产生高斯分布输出，并具有用于实时可视化和数据传输的集成模块，以验证系统的统计特性。

原作者： 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

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： 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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心理念：化混沌为有序

想象你拥有一台产生数字的机器。你希望这些数字是完全不可预测的，就像掷骰子一样，但同时你也希望它们遵循特定的模式（即“钟形曲线”或高斯分布），这在科学和工程领域非常有用。

新加坡科技设计大学（SUTD）的研究团队构建了一个数字机器来精确实现这一目标。他们使用了一个被称为 FPGA 的微型计算机芯片（你可以把它想象成一套可以随时重新编程的电子乐高积木），将一个混沌的数学公式转化为源源不断的、看似随机的数字流。

秘密配方：“蝴蝶效应”

这台机器的核心是一个被称为**逻辑映射（Logistic Map）**的东西。

类比： 想象一个极其敏感的单摆。如果你在开始时稍微改变一点点推力，它在之后的摆动方式就会完全不同。这就是所谓的“混沌”。
数学原理： 团队使用了一个简单的方程（ $x_{n+1} = r \cdot x_n(1 - x_n)$ ）来模拟这种单摆。如果你从一个特定的数字（“种子”）开始，这个方程就会吐出一个新数字，而这个新数字又成为了下一轮的种子。由于该方程具有混沌特性，生成的数字会剧烈跳动，且永远不会出现可预测的重复模式。

问题所在：过度的混沌

来自这个混沌方程的原始数字非常杂乱。它们的跳动过于剧烈且毫无规律，因此无法满足许多现实应用的需求——这些应用通常需要一种“正态分布”（即大多数数字聚集在中间，而极值较少）。

解决方案：“奶昔搅拌机”（EWMA）

为了修复这种杂乱感，团队使用了一种称为**指数加权移动平均（EWMA）**的技术。

类比： 想象你正在制作一杯奶昔。你不是直接喝下一大块水果（原始的混沌数字），而是将其与前几秒的水果混合在一起。你取一点点新的数字，并将其与大量的旧平均值进行混合。
结果： 这种“混合”过程平滑了剧烈的跳动。论文声称，通过这种方法，混沌数字开始呈现出完美的钟形曲线（高斯分布）。他们利用一个被称为中心极限定理的数学规则来解释为什么这种平滑技巧在原始数字相互依赖的情况下依然有效。

他们是如何构建它的（硬件部分）

他们不仅仅是在电脑上编写代码，还制造了一个物理设备。

种子（麦克风）： 为了启动混沌，他们需要一个“种子”数字。他们没有从帽子里随机抽取数字，而是使用了麦克风。房间内的声音大小（或手机扬声器的声音）成为了起始数字。这使得系统能够真正响应现实世界。
芯片（FPGA）： 他们将逻辑程序写入了 CMOD-A7 芯片中。该芯片承担两个主要任务：
- Chaotic_Lmap： 计算那些剧烈跳动的数字。
- EWMA_avg： 混合这些数字以使其变得平滑。
显示器： 他们连接了一个七段数码管（类似于微波炉上的数字显示屏）来展示生成的数字。
数据流： 他们通过串口（UART）将数字发送到笔记本电脑，以便绘制图表并证明这些数字确实形成了钟形曲线。

“声锥”小技巧

为了让麦克风种子更加完善，他们 3D 打印了一个圆锥形外壳（类似于扩音器）。

他们将麦克风放入圆锥内。
同时也将一部手机扬声器放在圆锥内。
原因： 圆锥体能汇聚声波，使麦克风捕捉到更强、更清晰的信号，从而将其用作随机数生成器的“种子”。

实验结果

当他们运行机器约 5 分钟（每秒生成约 60 次迭代）时，他们在笔记本电脑上收集了数据。

证明： 他们绘制了一个直方图（显示每个数字出现频率的柱状图）。
结果： 柱状图呈现出的形状非常接近平滑的钟形曲线。这证明了他们的方案——即利用混沌系统，通过 EWMA 进行平滑处理并在硬件上运行——实际上能够成功创建高斯分布的随机数。

总结

简而言之，团队提取了一个混沌的数学配方，加入了一个用于平滑粗糙边缘的“搅拌机”，并利用麦克风捕捉的声音作为输入，最后将其构建在一个微小的电子芯片上。其结果是：该设备生成的随机数在分布上看起来非常“正常”且具有可预测性，而这一切都是由声音的混沌本质所驱动的。

技术摘要：基于 FPGA 的逻辑映射伪随机数生成器

问题陈述
本项目旨在解决在数字硬件（特别是现场可编程门阵列，FPGA）上实现可靠伪随机数生成器（PRNG）的需求。虽然混沌系统以其对初始条件（种子）的敏感性和确定性的不可预测性而闻名，但生成遵循特定统计分布（特别是高斯分布/正态分布）的输出仍然是一个挑战。传统的混沌输出通常在连续数值之间存在依赖性，这使得中心极限定理（CLT）的直接应用变得复杂。此外，由于硬件依赖于离散整数运算而非浮点小数，在 FPGA 上实现连续混沌方程具有较大难度。

方法论
作者开发了一个基于**逻辑映射（logistic map）**的 PRNG 系统，该模型由方程 $x_{n+1} = r \cdot x_n(1 - x_n)$ 定义。实现过程采用了在 CMOD-A7 FPGA 板上使用 Verilog HDL 进行的自顶向下方法。

算法适配：
- 逻辑映射： 为了适应 FPGA 的约束，连续的逻辑映射被重新缩放至 16 位整数域（0 到 65,535）。参数 $r$ 被设定为 4 以确保混沌行为。
- 高斯变换： 为了将混沌输出转化为高斯分布，作者应用了**指数加权移动平均（EWMA）**技术。该方法平滑了数据并减轻了连续值之间的相关性，从理论上允许中心极限定理应用于这些相关变量。使用的 EWMA 公式为 $EWA_t = \alpha \cdot r_t + (1 - \alpha) \cdot EWA_{t-1}$ ，其中 $\alpha$ 根据初步的 Julia 模拟设定为 $40/50$ 。
- 种子生成： 系统利用来自 XADC 微型麦克风传感器的实时种子，该传感器捕捉环境声音的音量。这确保了初始条件是动态的，且取决于物理环境。
硬件实现：
- 系统架构包括用于混沌逻辑映射 (chaotic_Lmap)、EWMA 平均 (EWMA_avg)、UART 发送器（用于数据记录）、七段数码管驱动器（用于可视化）以及时钟发生器的模块。
- 顶层模块中的反馈回路确保逻辑映射的输出反馈到其输入中，以进行迭代生成。
- 数据通过 UART 传输至笔记本电脑，由 Python 脚本收集 16 位整数，构建直方图，并叠加理论正态分布曲线进行验证。
物理装置：
- 团队设计并 3D 打印了一个圆锥形外壳，用于容纳麦克风和 FPGA 板。该结构将手机扬声器的声音集中到麦克风上，从而放大信号，为 PRNG 生成强健的种子。

核心贡献

混沌 PRNG 的 FPGA 实现： 成功将逻辑映射和 EWMA 算法转化为在 CMOD-A7 FPGA 上运行的功能性 Verilog HDL 设计。
通过 CLT 实现高斯分布： 证明了通过对混沌逻辑映射输出应用 EWMA 可以产生高斯分布，并通过硬件仿真和真实世界数据收集进行了验证。
传感器驱动的播种： 通过 XADC 集成了模拟传感器（麦克风），以提供动态的、依赖于环境的种子，超越了静态或纯算法化的初始化。
端到端验证系统： 建立了一个从硬件生成到软件分析（Python 直方图绘图）的完整工作流，用以验证生成的数字的统计特性。

结果
系统在约 5 分钟的运行时间内（初始分析中约 60 次数据采集迭代）进行了测试。结果显示，PRNG 输出一致地呈现出高斯分布。

视觉验证： 通过 UART 接收的数据直方图与使用数据均值和标准差计算出的理论正态分布曲线高度重合。
随机性： 输出值的序列图显示没有周期性模式，证实了序列的混沌本质。
局限性： 作者指出，虽然对高斯曲线的拟合是成功的，但更长的运行时间（数千次迭代）可能会产生更平滑、更精确的直方图。

意义与主张
本文声称展示了混沌系统（特别是逻辑映射）在数字硬件领域进行伪随机数生成的实际效用和有效性。通过成功地在 FPGA 上将中心极限定理与 EWMA 平滑技术相结合，本项目验证了一种从确定性混沌源生成高斯分布伪随机数的方法。该工作强调了将简单的混沌模型与统计平滑技术相结合，以创建高效、可靠且易于硬件实现的 PRNG 的潜力，这些 PRNG 可以由现实世界的物理现象进行播种。