边缘人工智能系统因其密集的计算需求，对高质量的随机熵源有着较高要求。传统熵源会随温度变化以及频率增加而衰减。中国科学院微电子研究所集成电路制造技术全国重点实验室科研团队在研究中发现，铁电二极管(Fe-diode)的噪声特性完美契合具有高频和剧烈温度变化的边缘系统。团队从器件物理层面通过调控阻态以及读取电压稳定输出了频率及温度双独立的高密度散粒噪声，噪声密度比1/f噪声高两个数量级以上，且在−40 °C~125 °C范围内无衰减，为边缘人工智能系统提供了理想的随机熵源。
依托这一理想随机熵源，团队基于3D 16层Fe-diode阵列开发了具有统一熵源及突触权重的贝叶斯神经网络芯片。测试结果显示，该芯片可在25 fJ/program的超低能耗下完成原位训练，MNIST识别准确率92.4%；NIST随机性测试最小熵为0.9997，印证了噪声的高纯度与独立性；芯片面积仅为0.06 F²/state，工作温度覆盖−40 °C~125 °C，为边缘高可靠、低功耗AI推理提供了可规模化的随机熵源新范式。
本研究以“Bayesian neural network with unified entropy source and synapse weights using 3D 16-layer Fe-diode array”为题发表在Nature Communications期刊上，微电子所博士生黄元铨为第一作者，复旦大学博士生吴启樵为共同第一作者，微电子所龚天成副研究员、张江实验室杨建国研究员和微电子所罗庆研究员为共同通讯作者。该项研究得到了国家自然科学基金等项目的支持。
论文链接：https://doi.org/10.1038/s41467-025-63302-8）。
图1. 铁电二极管的噪声特性可满足理想熵源的需求
图2. 16层3D铁电二极管结构，实现了熵源及突触权重的统一
图3. 贝叶斯神经网络训练结果
综合信息