ENA, Section 1.4, Exercise 4a

Average Accuracy: 52.9% → 99.6%

Time: 20.6s

Precision: binary64

Cost: 20480

\[-1 \leq x \land x \leq 1\]

Math

\[\frac{x - \sin x}{\tan x} \]

↓

\[0.16666666666666666 \cdot \left(x \cdot x\right) + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]

FPCore

(FPCore (x) :precision binary64 (/ (- x (sin x)) (tan x)))

↓

(FPCore (x)
 :precision binary64
 (+
  (* 0.16666666666666666 (* x x))
  (+
   (* -0.00023644179894179894 (pow x 8.0))
   (+
    (* -0.0007275132275132275 (pow x 6.0))
    (* -0.06388888888888888 (pow x 4.0))))))

C

double code(double x) {
	return (x - sin(x)) / tan(x);
}

↓

double code(double x) {
	return (0.16666666666666666 * (x * x)) + ((-0.00023644179894179894 * pow(x, 8.0)) + ((-0.0007275132275132275 * pow(x, 6.0)) + (-0.06388888888888888 * pow(x, 4.0))));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (x - sin(x)) / tan(x)
end function

↓

real(8) function code(x)
    real(8), intent (in) :: x
    code = (0.16666666666666666d0 * (x * x)) + (((-0.00023644179894179894d0) * (x ** 8.0d0)) + (((-0.0007275132275132275d0) * (x ** 6.0d0)) + ((-0.06388888888888888d0) * (x ** 4.0d0))))
end function

Java

public static double code(double x) {
	return (x - Math.sin(x)) / Math.tan(x);
}

↓

public static double code(double x) {
	return (0.16666666666666666 * (x * x)) + ((-0.00023644179894179894 * Math.pow(x, 8.0)) + ((-0.0007275132275132275 * Math.pow(x, 6.0)) + (-0.06388888888888888 * Math.pow(x, 4.0))));
}

Python

def code(x):
	return (x - math.sin(x)) / math.tan(x)

↓

def code(x):
	return (0.16666666666666666 * (x * x)) + ((-0.00023644179894179894 * math.pow(x, 8.0)) + ((-0.0007275132275132275 * math.pow(x, 6.0)) + (-0.06388888888888888 * math.pow(x, 4.0))))

Julia

function code(x)
	return Float64(Float64(x - sin(x)) / tan(x))
end

↓

function code(x)
	return Float64(Float64(0.16666666666666666 * Float64(x * x)) + Float64(Float64(-0.00023644179894179894 * (x ^ 8.0)) + Float64(Float64(-0.0007275132275132275 * (x ^ 6.0)) + Float64(-0.06388888888888888 * (x ^ 4.0)))))
end

MATLAB

function tmp = code(x)
	tmp = (x - sin(x)) / tan(x);
end

↓

function tmp = code(x)
	tmp = (0.16666666666666666 * (x * x)) + ((-0.00023644179894179894 * (x ^ 8.0)) + ((-0.0007275132275132275 * (x ^ 6.0)) + (-0.06388888888888888 * (x ^ 4.0))));
end

Wolfram

code[x_] := N[(N[(x - N[Sin[x], $MachinePrecision]), $MachinePrecision] / N[Tan[x], $MachinePrecision]), $MachinePrecision]

↓

code[x_] := N[(N[(0.16666666666666666 * N[(x * x), $MachinePrecision]), $MachinePrecision] + N[(N[(-0.00023644179894179894 * N[Power[x, 8.0], $MachinePrecision]), $MachinePrecision] + N[(N[(-0.0007275132275132275 * N[Power[x, 6.0], $MachinePrecision]), $MachinePrecision] + N[(-0.06388888888888888 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Target

Original	52.9%
Target	98.6%
Herbie	99.6%

\[0.16666666666666666 \cdot \left(x \cdot x\right) \]

Derivation

1. Initial program 52.9%

   \[\frac{x - \sin x}{\tan x} \]

2. Taylor expanded in x around 0 99.6%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right)} \]

3. Applied egg-rr 99.6%

   \[\leadsto \color{blue}{\left(0 + 0.16666666666666666 \cdot \left(x \cdot x\right)\right)} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   Proof

   [Start] 99.6	\[ 0.16666666666666666 \cdot {x}^{2} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   add-log-exp [=>] 52.5	\[ \color{blue}{\log \left(e^{0.16666666666666666 \cdot {x}^{2}}\right)} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   *-un-lft-identity [=>] 52.5	\[ \log \color{blue}{\left(1 \cdot e^{0.16666666666666666 \cdot {x}^{2}}\right)} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   log-prod [=>] 52.5	\[ \color{blue}{\left(\log 1 + \log \left(e^{0.16666666666666666 \cdot {x}^{2}}\right)\right)} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   metadata-eval [=>] 52.5	\[ \left(\color{blue}{0} + \log \left(e^{0.16666666666666666 \cdot {x}^{2}}\right)\right) + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   add-log-exp [<=] 99.6	\[ \left(0 + \color{blue}{0.16666666666666666 \cdot {x}^{2}}\right) + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   unpow2 [=>] 99.6	\[ \left(0 + 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)}\right) + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]

4. Simplified 99.6%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot \left(x \cdot x\right)} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   Proof

   [Start] 99.6	\[ \left(0 + 0.16666666666666666 \cdot \left(x \cdot x\right)\right) + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]
   +-lft-identity [=>] 99.6	\[ \color{blue}{0.16666666666666666 \cdot \left(x \cdot x\right)} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]

5. Final simplification 99.6%

   \[\leadsto 0.16666666666666666 \cdot \left(x \cdot x\right) + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]

Alternatives

Alternative 1
Accuracy	99.4%
Cost	20032

\[\mathsf{fma}\left(0.16666666666666666, x \cdot x, -0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right) \]

Alternative 2
Accuracy	99.4%
Cost	13760

\[0.16666666666666666 \cdot \left(x \cdot x\right) + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right) \]

Alternative 3
Accuracy	99.3%
Cost	13312

\[\mathsf{fma}\left(-0.06388888888888888, {x}^{4}, x \cdot \left(0.16666666666666666 \cdot x\right)\right) \]

Alternative 4
Accuracy	99.3%
Cost	7040

\[0.16666666666666666 \cdot \left(x \cdot x\right) + -0.06388888888888888 \cdot {x}^{4} \]

Alternative 5
Accuracy	98.6%
Cost	320

\[0.16666666666666666 \cdot \left(x \cdot x\right) \]

Alternative 6
Accuracy	98.7%
Cost	320

\[x \cdot \left(0.16666666666666666 \cdot x\right) \]

Reproduce

herbie shell --seed 2023147 
(FPCore (x)
  :name "ENA, Section 1.4, Exercise 4a"
  :precision binary64
  :pre (and (<= -1.0 x) (<= x 1.0))

  :herbie-target
  (* 0.16666666666666666 (* x x))

  (/ (- x (sin x)) (tan x)))