FastMath test3

Percentage Accurate: 98.0% → 100.0%

Time: 4.7s

Alternatives: 7

Speedup: 1.6×

• 21.2% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

\[\begin{array}{l} \\ \left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (+ (+ (* d1 3.0) (* d1 d2)) (* d1 d3)))

C

double code(double d1, double d2, double d3) {
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = ((d1 * 3.0d0) + (d1 * d2)) + (d1 * d3)
end function

Java

public static double code(double d1, double d2, double d3) {
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
}

Python

def code(d1, d2, d3):
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3)

Julia

function code(d1, d2, d3)
	return Float64(Float64(Float64(d1 * 3.0) + Float64(d1 * d2)) + Float64(d1 * d3))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
end

Wolfram

code[d1_, d2_, d3_] := N[(N[(N[(d1 * 3.0), $MachinePrecision] + N[(d1 * d2), $MachinePrecision]), $MachinePrecision] + N[(d1 * d3), $MachinePrecision]), $MachinePrecision]

Initial Program: 98.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (+ (+ (* d1 3.0) (* d1 d2)) (* d1 d3)))

C

double code(double d1, double d2, double d3) {
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = ((d1 * 3.0d0) + (d1 * d2)) + (d1 * d3)
end function

Java

public static double code(double d1, double d2, double d3) {
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
}

Python

def code(d1, d2, d3):
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3)

Julia

function code(d1, d2, d3)
	return Float64(Float64(Float64(d1 * 3.0) + Float64(d1 * d2)) + Float64(d1 * d3))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
end

Wolfram

code[d1_, d2_, d3_] := N[(N[(N[(d1 * 3.0), $MachinePrecision] + N[(d1 * d2), $MachinePrecision]), $MachinePrecision] + N[(d1 * d3), $MachinePrecision]), $MachinePrecision]

Alternative 1: 100.0% accurate, 0.1× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(d1, 3, d1 \cdot \left(d2 + d3\right)\right) \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (fma d1 3.0 (* d1 (+ d2 d3))))

C

double code(double d1, double d2, double d3) {
	return fma(d1, 3.0, (d1 * (d2 + d3)));
}

Julia

function code(d1, d2, d3)
	return fma(d1, 3.0, Float64(d1 * Float64(d2 + d3)))
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * 3.0 + N[(d1 * N[(d2 + d3), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 98.7%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 98.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing
5. Step-by-step derivation

   1. distribute-lft-in 98.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right) + d1 \cdot d3} \]

   2. distribute-lft-out 98.7%

      \[\leadsto \color{blue}{\left(d1 \cdot 3 + d1 \cdot d2\right)} + d1 \cdot d3 \]

   3. associate-+l+ 98.7%

      \[\leadsto \color{blue}{d1 \cdot 3 + \left(d1 \cdot d2 + d1 \cdot d3\right)} \]

   4. fma-def 98.8%

      \[\leadsto \color{blue}{\mathsf{fma}\left(d1, 3, d1 \cdot d2 + d1 \cdot d3\right)} \]

   5. distribute-lft-out 100.0%

      \[\leadsto \mathsf{fma}\left(d1, 3, \color{blue}{d1 \cdot \left(d2 + d3\right)}\right) \]

6. Applied egg-rr 100.0%

   \[\leadsto \color{blue}{\mathsf{fma}\left(d1, 3, d1 \cdot \left(d2 + d3\right)\right)} \]

7. Final simplification 100.0%

   \[\leadsto \mathsf{fma}\left(d1, 3, d1 \cdot \left(d2 + d3\right)\right) \]
8. Add Preprocessing

Alternative 2: 99.9% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ d1 \cdot \left(d3 + \left(3 + d2\right)\right) \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 (+ d3 (+ 3.0 d2))))

C

double code(double d1, double d2, double d3) {
	return d1 * (d3 + (3.0 + d2));
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * (d3 + (3.0d0 + d2))
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * (d3 + (3.0 + d2));
}

Python

def code(d1, d2, d3):
	return d1 * (d3 + (3.0 + d2))

Julia

function code(d1, d2, d3)
	return Float64(d1 * Float64(d3 + Float64(3.0 + d2)))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * (d3 + (3.0 + d2));
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * N[(d3 + N[(3.0 + d2), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 98.7%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 98.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing

5. Final simplification 99.9%

   \[\leadsto d1 \cdot \left(d3 + \left(3 + d2\right)\right) \]
6. Add Preprocessing

Alternative 3: 63.0% accurate, 2.2× speedup

Math

\[\begin{array}{l} \\ d1 \cdot \left(3 + d2\right) \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 (+ 3.0 d2)))

C

double code(double d1, double d2, double d3) {
	return d1 * (3.0 + d2);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * (3.0d0 + d2)
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * (3.0 + d2);
}

Python

def code(d1, d2, d3):
	return d1 * (3.0 + d2)

Julia

function code(d1, d2, d3)
	return Float64(d1 * Float64(3.0 + d2))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * (3.0 + d2);
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * N[(3.0 + d2), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 98.7%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 98.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing

5. Taylor expanded in d3 around 0 62.8%

   \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} \]

6. Final simplification 62.8%

   \[\leadsto d1 \cdot \left(3 + d2\right) \]
7. Add Preprocessing

Alternative 4: 63.6% accurate, 2.2× speedup

Math

\[\begin{array}{l} \\ d1 \cdot \left(3 + d3\right) \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 (+ 3.0 d3)))

C

double code(double d1, double d2, double d3) {
	return d1 * (3.0 + d3);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * (3.0d0 + d3)
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * (3.0 + d3);
}

Python

def code(d1, d2, d3):
	return d1 * (3.0 + d3)

Julia

function code(d1, d2, d3)
	return Float64(d1 * Float64(3.0 + d3))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * (3.0 + d3);
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * N[(3.0 + d3), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 98.7%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 98.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing

5. Taylor expanded in d2 around 0 66.7%

   \[\leadsto \color{blue}{d1 \cdot \left(3 + d3\right)} \]

6. Final simplification 66.7%

   \[\leadsto d1 \cdot \left(3 + d3\right) \]
7. Add Preprocessing

Alternative 5: 25.6% accurate, 3.7× speedup

Math

\[\begin{array}{l} \\ d1 \cdot 3 \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 3.0))

C

double code(double d1, double d2, double d3) {
	return d1 * 3.0;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * 3.0d0
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * 3.0;
}

Python

def code(d1, d2, d3):
	return d1 * 3.0

Julia

function code(d1, d2, d3)
	return Float64(d1 * 3.0)
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * 3.0;
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * 3.0), $MachinePrecision]

Derivation

1. Initial program 98.7%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 98.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing

5. Taylor expanded in d3 around 0 62.8%

   \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} \]

6. Taylor expanded in d2 around 0 29.3%

   \[\leadsto \color{blue}{3 \cdot d1} \]
7. Step-by-step derivation

   1. *-commutative 29.3%

      \[\leadsto \color{blue}{d1 \cdot 3} \]

8. Simplified 29.3%

   \[\leadsto \color{blue}{d1 \cdot 3} \]

9. Final simplification 29.3%

   \[\leadsto d1 \cdot 3 \]
10. Add Preprocessing

Alternative 6: 40.1% accurate, 3.7× speedup

Math

\[\begin{array}{l} \\ d1 \cdot d2 \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 d2))

C

double code(double d1, double d2, double d3) {
	return d1 * d2;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * d2
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * d2;
}

Python

def code(d1, d2, d3):
	return d1 * d2

Julia

function code(d1, d2, d3)
	return Float64(d1 * d2)
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * d2;
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * d2), $MachinePrecision]

Derivation

1. Initial program 98.7%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 98.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing

5. Taylor expanded in d2 around inf 36.4%

   \[\leadsto \color{blue}{d1 \cdot d2} \]

6. Final simplification 36.4%

   \[\leadsto d1 \cdot d2 \]
7. Add Preprocessing

Alternative 7: 40.5% accurate, 3.7× speedup

Math

\[\begin{array}{l} \\ d1 \cdot d3 \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 d3))

C

double code(double d1, double d2, double d3) {
	return d1 * d3;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * d3
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * d3;
}

Python

def code(d1, d2, d3):
	return d1 * d3

Julia

function code(d1, d2, d3)
	return Float64(d1 * d3)
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * d3;
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * d3), $MachinePrecision]

Derivation

1. Initial program 98.7%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 98.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing

5. Taylor expanded in d3 around inf 39.7%

   \[\leadsto \color{blue}{d1 \cdot d3} \]

6. Final simplification 39.7%

   \[\leadsto d1 \cdot d3 \]
7. Add Preprocessing

Developer target: 99.9% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ d1 \cdot \left(\left(3 + d2\right) + d3\right) \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 (+ (+ 3.0 d2) d3)))

C

double code(double d1, double d2, double d3) {
	return d1 * ((3.0 + d2) + d3);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * ((3.0d0 + d2) + d3)
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * ((3.0 + d2) + d3);
}

Python

def code(d1, d2, d3):
	return d1 * ((3.0 + d2) + d3)

Julia

function code(d1, d2, d3)
	return Float64(d1 * Float64(Float64(3.0 + d2) + d3))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * ((3.0 + d2) + d3);
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * N[(N[(3.0 + d2), $MachinePrecision] + d3), $MachinePrecision]), $MachinePrecision]

Reproduce

herbie shell --seed 2024033 
(FPCore (d1 d2 d3)
  :name "FastMath test3"
  :precision binary64

  :herbie-target
  (* d1 (+ (+ 3.0 d2) d3))

  (+ (+ (* d1 3.0) (* d1 d2)) (* d1 d3)))