Format zmiennoprzecinkowy podwójnej precyzji

Format zmiennoprzecinkowy podwójnej precyzji to format danych komputerowych, który umożliwia reprezentację liczb rzeczywistych z określoną precyzją lub liczbą cyfr znaczących. Skrót "DPFP" oznacza liczbę zmiennoprzecinkową o podwójnej precyzji. Format ten jest powszechnie używany w zastosowaniach naukowych i inżynieryjnych, gdzie wymagane jest wiele miejsc po przecinku, a w porównaniu do formatu zmiennoprzecinkowego pojedynczej precyzji oferuje więcej bitów precyzji (54 bity).

Reprezentacja liczby rzeczywistej o podwójnej precyzji składa się z trzech części: znaku (s), wykładnika (e) i mantysy (m). Znak (s) wskazuje, czy liczba rzeczywista jest ujemna (s=1) czy dodatnia (s=0). Wykładnik (e) jest liczbą binarną, która wskazuje potęgę, do której należy podnieść lub podzielić liczbę podstawową 2, aby uzyskać żądaną liczbę. Wreszcie, mantysa (m) jest ułamkiem binarnym reprezentującym cyfry liczby rzeczywistej po prawej stronie przecinka dziesiętnego.

Aby zapisać wartość o podwójnej precyzji w pamięci komputera, 64 bity są przydzielane jako 8 bajtów. Jest to zgodne z określonym formatem znanym jako standard IEEE 754 dla liczb zmiennoprzecinkowych, który jest używany w celu zapewnienia kompatybilności między różnymi architekturami. Pierwszy bit 8-bajtowej pamięci jest używany do reprezentowania bitu znaku (s). Następne 11 bitów reprezentuje wykładnik (e), a pozostałe 52 bity reprezentują mantysę (m).

Od 2018 roku format zmiennoprzecinkowy o podwójnej precyzji jest wykorzystywany w procesorach graficznych (GPU) jako sposób na osiągnięcie większej dokładności i lepszej wydajności w zastosowaniach naukowych i inżynieryjnych, a także w obliczeniach ogólnego przeznaczenia na procesorach graficznych (GPGPU). Co więcej, operacje zmiennoprzecinkowe o podwójnej precyzji mogą być wykonywane zarówno na nowoczesnych procesorach CPU, jak i układach GPU, wykorzystując równoległość - technikę pozwalającą na jednoczesne obliczanie wielu części problemu - w celu przyspieszenia procesu.

Wraz z rozwojem wielkoskalowych, głęboko uczących się sieci neuronowych, wykorzystanie zmiennoprzecinkowych zmiennoprzecinkowych o podwójnej precyzji w architekturach GPU stało się coraz ważniejsze, ponieważ pozwala na przechwytywanie i symulowanie drobniejszych szczegółów w obrazach, klipach dźwiękowych i innych typach danych.