Formato in virgola mobile a doppia precisione

Il formato a virgola mobile a doppia precisione è un formato di dati per computer che consente la rappresentazione di numeri reali con una precisione specifica, o numero di cifre significative. L'acronimo "DPFP" sta per double-precision floating-point. Questo formato è comunemente utilizzato nelle applicazioni scientifiche e ingegneristiche in cui sono richieste molte cifre decimali di precisione e, rispetto al formato a virgola mobile a singola precisione, offre più bit di precisione (54 bit).

La rappresentazione in doppia precisione di un numero reale è composta da tre parti: il segno (s), l'esponente (e) e la mantissa (m). Il segno (s) indica se il numero reale è negativo (s=1) o positivo (s=0). L'esponente (e) è un numero binario che indica la potenza a cui il numero base 2 deve essere elevato o diviso per ottenere il numero desiderato. Infine, la mantissa (m) è una frazione binaria che rappresenta le cifre del numero reale a destra della virgola.

Per memorizzare un valore a doppia precisione nella memoria del computer, 64 bit vengono allocati come 8 byte. Questo segue un formato specifico noto come standard IEEE 754 per i numeri in virgola mobile, utilizzato per garantire la compatibilità tra le diverse architetture. Il primo bit della memoria a 8 byte è utilizzato per rappresentare il bit di segno (s). I successivi 11 bit rappresentano l'esponente (e) e i restanti 52 bit rappresentano la mantissa (m).

Dal 2018, il formato in virgola mobile a doppia precisione viene utilizzato nelle unità di elaborazione grafica (GPU) per ottenere una maggiore precisione e prestazioni migliori nelle applicazioni scientifiche e ingegneristiche e nel general-purpose computing su unità di elaborazione grafica (GPGPU). Inoltre, le operazioni in virgola mobile a doppia precisione possono essere eseguite sia sulle moderne CPU che sulle GPU, sfruttando il parallelismo - una tecnica che consente il calcolo simultaneo di più parti di un problema - per accelerare il processo.

Con lo sviluppo di reti neurali di apprendimento profondo su larga scala, l'uso di float a doppia precisione nelle architetture delle GPU è diventato sempre più importante, poiché consente di catturare e simulare dettagli più fini in immagini, clip audio e altri tipi di dati.