邊緣人工智能系統因其密集的計算需求，對高質量的隨機熵源有著較高要求。傳統熵源會隨溫度變化以及頻率增加而衰減。中國科學院微電子研究所集成電路制造技術全國重點實驗室科研團隊在研究中發現，鐵電二極管(Fe-diode)的噪聲特性完美契合具有高頻和劇烈溫度變化的邊緣系統。團隊從器件物理層面通過調控阻態以及讀取電壓穩定輸出了頻率及溫度雙獨立的高密度散粒噪聲，噪聲密度比1/f噪聲高兩個數量級以上，且在?40 °C~125 °C范圍內無衰減，為邊緣人工智能系統提供了理想的隨機熵源。

依托這一理想隨機熵源，團隊基于3D 16層Fe-diode陣列開發了具有統一熵源及突觸權重的貝葉斯神經網絡芯片。測試結果顯示，該芯片可在25 fJ/program的超低能耗下完成原位訓練，MNIST識別準確率92.4%；NIST隨機性測試最小熵為0.9997，印證了噪聲的高純度與獨立性；芯片面積僅為0.06 F2/state，工作溫度覆蓋?40 °C~125 °C，為邊緣高可靠、低功耗AI推理提供了可規模化的隨機熵源新范式。

本研究以“Bayesian neural network with unified entropy source and synapse weights using 3D 16-layer Fe-diode array”為題發表在Nature Communications期刊上，微電子所博士生黃元銓為第一作者，復旦大學博士生吳啟樵為共同第一作者，微電子所龔天成副研究員、張江實驗室楊建國研究員和微電子所羅慶研究員為共同通訊作者。該項研究得到了國家自然科學基金等項目的支持。

???論文鏈接：https://doi.org/10.1038/s41467-025-63302-8）。

圖1. 鐵電二極管的噪聲特性可滿足理想熵源的需求

圖2. 16層3D鐵電二極管結構，實現了熵源及突觸權重的統一

圖3. 貝葉斯神經網絡訓練結果