Formato de coma flotante de doble precisión

El formato de punto flotante de doble precisión es un formato de datos informáticos que permite la representación de números reales con una precisión especificada, o número de dígitos significativos. El acrónimo "DPFP" significa punto flotante de doble precisión. Este formato se utiliza habitualmente en aplicaciones científicas y de ingeniería en las que se requieren muchos decimales de precisión y, en comparación con el formato de coma flotante de precisión simple, ofrece más bits de precisión (54 bits).

La representación de doble precisión de un número real consta de tres partes: el signo (s), el exponente (e) y la mantisa (m). El signo (s) indica si el número real es negativo (s=1) o positivo (s=0). El exponente (e) es un número binario que indica la potencia a la que hay que elevar o dividir el número de base 2 para obtener el número deseado. Por último, la mantisa (m) es una fracción binaria que representa los dígitos del número real a la derecha del punto decimal.

Para almacenar un valor de doble precisión en la memoria del ordenador, se asignan 64 bits en 8 bytes. Esto sigue un formato específico conocido como el estándar IEEE 754 para números de coma flotante, que se utiliza para garantizar la compatibilidad entre diferentes arquitecturas. El primer bit de la memoria de 8 bytes se utiliza para representar el bit de signo (s). Los 11 bits siguientes representan el exponente (e) y los 52 bits restantes representan la mantisa (m).

Desde 2018, el formato de coma flotante de doble precisión se está utilizando en las unidades de procesamiento gráfico (GPU) como forma de conseguir más precisión y mejorar el rendimiento en aplicaciones científicas y de ingeniería, así como en la computación de propósito general en unidades de procesamiento gráfico (GPGPU). Además, las operaciones en coma flotante de doble precisión pueden realizarse tanto en las CPU modernas como en las GPU, aprovechando el paralelismo -técnica que permite calcular simultáneamente varias partes de un problema- para acelerar el proceso.

Con el desarrollo de redes neuronales de aprendizaje profundo a gran escala, el uso de flotadores de doble precisión en las arquitecturas de GPU ha cobrado cada vez más importancia, ya que permite capturar y simular detalles más finos en imágenes, clips de sonido y otros tipos de datos.