传统贝叶斯机面临三大挑战：一是需要高质量的随机源生成具有真随机性的随机比特数流；二是由于随机变量随着问题的规模和复杂度的增加而增加，因此需要高密度的存储器；三是存储器和随机源的分离，导致了芯片面积和功耗的浪费。

针对这些挑战，微电子所刘明院士团队首次构建了存储器和随机源融合的贝叶斯机。通过16层3D集成Fe-Diode实现了极高的存储密度（0.26F2/bit）；此外，通过对Fe-Diode器件的噪声行为的系统研究，发现了与频率无关的高噪声密度的散粒噪声(shot noise)，并利用该噪声作为随机源，生成了自相关性接近零的随机比特数流；进一步通过将存储器和随机源统一在16层3D Fe-Diode阵列中实现了该贝叶斯机。

通过对比发现，本工作在比特数流长度为15时，可以实现95.31%的MNIST识别精度。与基于线性反馈移位寄存器相比，识别精度提升了9.37%。同时，本工作具备高噪声容忍能力，在10%的外部噪声下，精度仅下降了8.75%。

该研究成果以题为“First Demonstration of a Bayesian Machine based on Unified Memory and Random Source Achieved by 16-layer Stacking 3D Fe-Diode with High Noise Density and High Area Efficiency”入选2023 IEDM。微电子所龚天成副研究员为第一作者，复旦大学博士生胡启樵为共同一作，微电子所杨建国副研究员和罗庆研究员为通讯作者。

图 基于三维16层Fe-Diode器件的贝叶斯机