Questão de Arquitetura de Computadores — Processadores — FGV 2025
Arquitetura de Computadores›Processadores
Código
fg116120
Banca
FGV
Órgão
MPU
Ano
2025
Nível
Superior
Cargo
Analista do - Perito em Tecnologia da Informação e Comunicação
O analista Pedro foi incumbido de aumentar a capacidade de processamento para o treinamento de redes neurais profundas (RNP) no MPU. Ele concluiu serem necessárias mais unidades de processamento (UP) com pleno suporte a números de ponto flutuante de 64 bits, após verificar que os modelos de RNP usados pelo MPU apresentam respostas melhores se treinados com esse nível de precisão numérica. O analista também foi avisado de que deve adquirir dois tipos diferentes de UP, a fim de aumentar a heterogeneidade do parque de máquinas.Assim, Pedro deve adquirir para o MPU mais:
Atensor processing units e neural processing units;
Bcentral processing units e neural processing units;
Ctensor processing units e graphics processing units;
Dgraphics processing units e neural processing units;
Ecentral processing units e graphics processing units.
Revelar gabarito e comentário▾
GabaritoE — central processing units e graphics processing units.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Unidades de processamento para treinamento de RNP com FP64
Gabarito: letra E. Pedro precisa de unidades com suporte pleno a ponto flutuante de 64 bits (FP64) e de dois tipos diferentes. A combinação CPU + GPU atende ambos os requisitos: CPUs modernas nativamente executam FP64 e GPUs de alto desempenho (ex.: NVIDIA Tesla) também oferecem forte suporte a FP64, sendo amplamente usadas em treinamento de redes neurais profundas. As demais alternativas falham por incluir unidades que não suportam FP64 adequadamente (TPU, NPU) ou por não serem ambas adequadas.
A banca testa o conhecimento sobre os tipos de processadores e suas especializações, especialmente a capacidade de lidar com precisão dupla (FP64) exigida por certos modelos de aprendizado profundo.
Unidade de Processamento
Suporte a FP64
Adequação para Treinamento de RNP
Tipo de Unidade
CPU (Central Processing Unit)
Sim (nativo)
Sim (usado em conjunto com GPU)
Processador de propósito geral
GPU (Graphics Processing Unit)
Sim (alto desempenho em modelos como NVIDIA Tesla)
Sim (amplamente usado)
Processador gráfico/computação paralela
TPU (Tensor Processing Unit)
Não (foco em FP16, bfloat16)
Não (inferência/treinamento com baixa precisão)
Acelerador de tensor
NPU (Neural Processing Unit)
Não (foco em FP16, INT8)
Não (inferência de baixa potência)
Acelerador de rede neural
Alternativa A — ❌ Incorreta
TPU (Tensor Processing Unit) e NPU (Neural Processing Unit) são projetados para baixa precisão (ex.: FP16, INT8) e não oferecem suporte pleno a FP64. TPUs da Google, por exemplo, focam em operações de tensor com precisão reduzida; NPUs são comuns em dispositivos móveis para inferência, não para treinamento com FP64.
Alternativa B — ❌ Incorreta
CPU suporta FP64, mas NPU não. A NPU não é adequada para treinamento de RNP com precisão de 64 bits, pois sua arquitetua é otimizada para inferência de baixa potência com precisão limitada. Além disso, a combinação não traria heterogeneidade significativa no contexto de treinamento pesado.
Alternativa C — ❌ Incorreta
GPU (ex.: NVIDIA Tesla, AMD Instinct) suporta FP64 e é excelente para treinamento. Mas TPU não oferece suporte pleno a FP64; Google TPUs priorizam bfloat16 e FP32. Portanto, a dupla não atende ao requisito de FP64 para ambas as unidades.
Alternativa D — ❌ Incorreta
GPU suporta FP64, mas NPU não. A NPU é inadequada para treinamento com precisão dupla. A combinação não satisfaz a necessidade de duas unidades com suporte a FP64.
Alternativa E — ✅ Correta ⟵ GABARITO
CPU e GPU são tipos distintos de unidades de processamento. CPUs (ex.: Intel Xeon, AMD EPYC) possuem unidades de ponto flutuante (FPU) que executam operações FP64 nativamente. GPUs modernas para computação (ex.: NVIDIA A100, H100) também têm forte suporte a FP64, sendo projetadas para cargas de trabalho como treinamento de RNP. Ambas atendem ao requisito de precisão de 64 bits e promovem a heterogeneidade desejada.
PEGA ESSA DICA!
Em questões sobre arquitetura para aprendizado profundo, lembre-se: CPU é versátil, GPU é paralela e ambas suportam FP64 (embora GPUs possam ter throughput menor que FP32). TPU e NPU são especializadas em baixa precisão. Verifique sempre qual precisão é exigida pelo problema.