传统计算系统，从材料、器件到电路、架构再到容错系统和算法设计，都在竭力避免随机性。然而，随着后摩尔时代的来临以及学界对非冯诺依曼架构兴趣的提升，人们越来越倾向于在计算架构中拥抱随机性而非本能地排斥之，特别是在天然具有随机性特征的计算中，如蒙特卡罗抽样、贝叶斯神经网络、贝叶斯推理网络、模拟/量子退火算法加速器，乃至新兴的生成式人工智能等等。
引入随机性时，两点非常重要：随机数的质量和分布。
前者需要通过物理熵源——物理过程的本征随机性来保证，而后者——概率分布函数(Probabilistic Distribution Function, PDF)决定了概率计算算法的成败。尽管经典计算机可在软件层面引入特定PDF的伪随机数，如累积分布函数(CDF)的反函数方法和接受-拒绝抽样方法等，但是这种软件层面的随机数生成方式显然耗时低效。
为应对PDF要求严格、随机数吞吐量较大、速度能耗要求较高的应用场景，开发PDF可调的硬件级真随机数生成器(TRNG)成为一种必然选择。
中国科学院物理研究所/北京凝聚态物理国家研究中心磁学室M02课题组开发了高性能自旋轨道转矩(Spin-orbit Torque, SOT)驱动型MTJ，其尺寸为50nm×200nm，写入速度为300ps，室温下隧道磁阻比超过100%，并具有超过10^12次的实测循环写入耐久性。
更有意思的是这类SOT-MTJ的翻转概率受驱动电压连续调控，使其成为一种概率从0%到100%连续可调的0或1二元TRNG——伯努利TRNG。它以可调的概率p或(1-p)抽样出高阻态(1)或低阻态(0)。
该工作已在 《Advanced Science》刊发。中国科学院物理研究所M02课题组韩秀峰研究员、万蔡华副研究员为论文共同通讯作者构思和指导了该项研发；中国科学院物理所博士生张然是该论文第一作者。其他合作者参与了器件制备、测试、数据分析和论文写作。该工作致谢科技部重点研发项目和基金委重点基金等项目经费支持。