傳統貝葉斯機面臨三大挑戰：一是需要高質量的隨機源生成具有真隨機性的隨機比特數流；二是由于隨機變量隨著問題的規�：脱}雜度的增加而增加，因此需要高密度的存儲器；三是存儲器和隨機源的分離，導致了芯片面積和功耗的浪費。

针对这些挑战，微电子所劉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。

通過對比發現，本工作在比特數流長度爲15時，可以實現95.31%的MNIST識別精度。與基于線性反饋移位寄存器相比，識別精度提升了9.37%。同時，本工作具備高噪聲容忍能力，在10%的外部噪聲下，精度僅下降了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員为第一作者，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員和罗庆研究員为通讯作者。

图 基于三维16层Fe-Diode器件的贝叶斯机