bug500, discussion (missed optimization)

Percentage Accurate: 52.7% → 97.1%

Time: 23.4s

Alternatives: 6

Speedup: 2.0×

• could not determine a ground truth

  1. x = 1.8968624134857407e+249

Specification

Math

\[\begin{array}{l} \\ \log \left(\frac{\sinh x}{x}\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (log (/ (sinh x) x)))

C

double code(double x) {
	return log((sinh(x) / x));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = log((sinh(x) / x))
end function

Java

public static double code(double x) {
	return Math.log((Math.sinh(x) / x));
}

Python

def code(x):
	return math.log((math.sinh(x) / x))

Julia

function code(x)
	return log(Float64(sinh(x) / x))
end

MATLAB

function tmp = code(x)
	tmp = log((sinh(x) / x));
end

Wolfram

code[x_] := N[Log[N[(N[Sinh[x], $MachinePrecision] / x), $MachinePrecision]], $MachinePrecision]

Initial Program: 52.7% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \log \left(\frac{\sinh x}{x}\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (log (/ (sinh x) x)))

C

double code(double x) {
	return log((sinh(x) / x));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = log((sinh(x) / x))
end function

Java

public static double code(double x) {
	return Math.log((Math.sinh(x) / x));
}

Python

def code(x):
	return math.log((math.sinh(x) / x))

Julia

function code(x)
	return log(Float64(sinh(x) / x))
end

MATLAB

function tmp = code(x)
	tmp = log((sinh(x) / x));
end

Wolfram

code[x_] := N[Log[N[(N[Sinh[x], $MachinePrecision] / x), $MachinePrecision]], $MachinePrecision]

Alternative 1: 97.1% accurate, 0.3× speedup

Math

\[\begin{array}{l} \\ \mathsf{log1p}\left(\mathsf{fma}\left({x}^{6}, 0.0001984126984126984, \mathsf{fma}\left({x}^{2}, 0.16666666666666666, {x}^{4} \cdot 0.008333333333333333\right)\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (log1p
  (fma
   (pow x 6.0)
   0.0001984126984126984
   (fma
    (pow x 2.0)
    0.16666666666666666
    (* (pow x 4.0) 0.008333333333333333)))))

C

double code(double x) {
	return log1p(fma(pow(x, 6.0), 0.0001984126984126984, fma(pow(x, 2.0), 0.16666666666666666, (pow(x, 4.0) * 0.008333333333333333))));
}

Julia

function code(x)
	return log1p(fma((x ^ 6.0), 0.0001984126984126984, fma((x ^ 2.0), 0.16666666666666666, Float64((x ^ 4.0) * 0.008333333333333333))))
end

Wolfram

code[x_] := N[Log[1 + N[(N[Power[x, 6.0], $MachinePrecision] * 0.0001984126984126984 + N[(N[Power[x, 2.0], $MachinePrecision] * 0.16666666666666666 + N[(N[Power[x, 4.0], $MachinePrecision] * 0.008333333333333333), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]

Derivation

1. Initial program 60.7%

   \[\log \left(\frac{\sinh x}{x}\right) \]
2. Add Preprocessing

3. Taylor expanded in x around 0 60.4%

   \[\leadsto \log \color{blue}{\left(1 + \left(0.0001984126984126984 \cdot {x}^{6} + \left(0.008333333333333333 \cdot {x}^{4} + 0.16666666666666666 \cdot {x}^{2}\right)\right)\right)} \]
4. Step-by-step derivation

   1. add0 60.4%

      \[\leadsto \color{blue}{\log \left(1 + \left(0.0001984126984126984 \cdot {x}^{6} + \left(0.008333333333333333 \cdot {x}^{4} + 0.16666666666666666 \cdot {x}^{2}\right)\right)\right) + 0} \]

   2. log1p-define 98.5%

      \[\leadsto \color{blue}{\mathsf{log1p}\left(0.0001984126984126984 \cdot {x}^{6} + \left(0.008333333333333333 \cdot {x}^{4} + 0.16666666666666666 \cdot {x}^{2}\right)\right)} + 0 \]

   3. fma-define 98.5%

      \[\leadsto \mathsf{log1p}\left(\color{blue}{\mathsf{fma}\left(0.0001984126984126984, {x}^{6}, 0.008333333333333333 \cdot {x}^{4} + 0.16666666666666666 \cdot {x}^{2}\right)}\right) + 0 \]

   4. +-commutative 98.5%

      \[\leadsto \mathsf{log1p}\left(\mathsf{fma}\left(0.0001984126984126984, {x}^{6}, \color{blue}{0.16666666666666666 \cdot {x}^{2} + 0.008333333333333333 \cdot {x}^{4}}\right)\right) + 0 \]

   5. fma-define 98.6%

      \[\leadsto \mathsf{log1p}\left(\mathsf{fma}\left(0.0001984126984126984, {x}^{6}, \color{blue}{\mathsf{fma}\left(0.16666666666666666, {x}^{2}, 0.008333333333333333 \cdot {x}^{4}\right)}\right)\right) + 0 \]

5. Applied egg-rr 98.6%

   \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{fma}\left(0.0001984126984126984, {x}^{6}, \mathsf{fma}\left(0.16666666666666666, {x}^{2}, 0.008333333333333333 \cdot {x}^{4}\right)\right)\right) + 0} \]
6. Step-by-step derivation

   1. add0 98.6%

      \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{fma}\left(0.0001984126984126984, {x}^{6}, \mathsf{fma}\left(0.16666666666666666, {x}^{2}, 0.008333333333333333 \cdot {x}^{4}\right)\right)\right)} \]

   2. fma-undefine 98.6%

      \[\leadsto \mathsf{log1p}\left(\color{blue}{0.0001984126984126984 \cdot {x}^{6} + \mathsf{fma}\left(0.16666666666666666, {x}^{2}, 0.008333333333333333 \cdot {x}^{4}\right)}\right) \]

   3. *-commutative 98.6%

      \[\leadsto \mathsf{log1p}\left(\color{blue}{{x}^{6} \cdot 0.0001984126984126984} + \mathsf{fma}\left(0.16666666666666666, {x}^{2}, 0.008333333333333333 \cdot {x}^{4}\right)\right) \]

   4. fma-define 98.6%

      \[\leadsto \mathsf{log1p}\left(\color{blue}{\mathsf{fma}\left({x}^{6}, 0.0001984126984126984, \mathsf{fma}\left(0.16666666666666666, {x}^{2}, 0.008333333333333333 \cdot {x}^{4}\right)\right)}\right) \]

   5. fma-undefine 98.5%

      \[\leadsto \mathsf{log1p}\left(\mathsf{fma}\left({x}^{6}, 0.0001984126984126984, \color{blue}{0.16666666666666666 \cdot {x}^{2} + 0.008333333333333333 \cdot {x}^{4}}\right)\right) \]

   6. *-commutative 98.5%

      \[\leadsto \mathsf{log1p}\left(\mathsf{fma}\left({x}^{6}, 0.0001984126984126984, \color{blue}{{x}^{2} \cdot 0.16666666666666666} + 0.008333333333333333 \cdot {x}^{4}\right)\right) \]

   7. fma-define 98.6%

      \[\leadsto \mathsf{log1p}\left(\mathsf{fma}\left({x}^{6}, 0.0001984126984126984, \color{blue}{\mathsf{fma}\left({x}^{2}, 0.16666666666666666, 0.008333333333333333 \cdot {x}^{4}\right)}\right)\right) \]

   8. *-commutative 98.6%

      \[\leadsto \mathsf{log1p}\left(\mathsf{fma}\left({x}^{6}, 0.0001984126984126984, \mathsf{fma}\left({x}^{2}, 0.16666666666666666, \color{blue}{{x}^{4} \cdot 0.008333333333333333}\right)\right)\right) \]

7. Simplified 98.6%

   \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{fma}\left({x}^{6}, 0.0001984126984126984, \mathsf{fma}\left({x}^{2}, 0.16666666666666666, {x}^{4} \cdot 0.008333333333333333\right)\right)\right)} \]

8. Final simplification 98.6%

   \[\leadsto \mathsf{log1p}\left(\mathsf{fma}\left({x}^{6}, 0.0001984126984126984, \mathsf{fma}\left({x}^{2}, 0.16666666666666666, {x}^{4} \cdot 0.008333333333333333\right)\right)\right) \]
9. Add Preprocessing

Alternative 2: 96.9% accurate, 0.6× speedup

Math

\[\begin{array}{l} \\ {x}^{4} \cdot -0.005555555555555556 + \left({x}^{6} \cdot 0.0003527336860670194 + {x}^{2} \cdot 0.16666666666666666\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+
  (* (pow x 4.0) -0.005555555555555556)
  (+
   (* (pow x 6.0) 0.0003527336860670194)
   (* (pow x 2.0) 0.16666666666666666))))

C

double code(double x) {
	return (pow(x, 4.0) * -0.005555555555555556) + ((pow(x, 6.0) * 0.0003527336860670194) + (pow(x, 2.0) * 0.16666666666666666));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((x ** 4.0d0) * (-0.005555555555555556d0)) + (((x ** 6.0d0) * 0.0003527336860670194d0) + ((x ** 2.0d0) * 0.16666666666666666d0))
end function

Java

public static double code(double x) {
	return (Math.pow(x, 4.0) * -0.005555555555555556) + ((Math.pow(x, 6.0) * 0.0003527336860670194) + (Math.pow(x, 2.0) * 0.16666666666666666));
}

Python

def code(x):
	return (math.pow(x, 4.0) * -0.005555555555555556) + ((math.pow(x, 6.0) * 0.0003527336860670194) + (math.pow(x, 2.0) * 0.16666666666666666))

Julia

function code(x)
	return Float64(Float64((x ^ 4.0) * -0.005555555555555556) + Float64(Float64((x ^ 6.0) * 0.0003527336860670194) + Float64((x ^ 2.0) * 0.16666666666666666)))
end

MATLAB

function tmp = code(x)
	tmp = ((x ^ 4.0) * -0.005555555555555556) + (((x ^ 6.0) * 0.0003527336860670194) + ((x ^ 2.0) * 0.16666666666666666));
end

Wolfram

code[x_] := N[(N[(N[Power[x, 4.0], $MachinePrecision] * -0.005555555555555556), $MachinePrecision] + N[(N[(N[Power[x, 6.0], $MachinePrecision] * 0.0003527336860670194), $MachinePrecision] + N[(N[Power[x, 2.0], $MachinePrecision] * 0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 60.7%

   \[\log \left(\frac{\sinh x}{x}\right) \]
2. Add Preprocessing

3. Taylor expanded in x around 0 98.5%

   \[\leadsto \color{blue}{-0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + 0.16666666666666666 \cdot {x}^{2}\right)} \]

4. Final simplification 98.5%

   \[\leadsto {x}^{4} \cdot -0.005555555555555556 + \left({x}^{6} \cdot 0.0003527336860670194 + {x}^{2} \cdot 0.16666666666666666\right) \]
5. Add Preprocessing

Alternative 3: 97.0% accurate, 0.9× speedup

Math

\[\begin{array}{l} \\ {x}^{4} \cdot -0.005555555555555556 + \left({x}^{6} \cdot 0.0003527336860670194 + x \cdot \left(x \cdot 0.16666666666666666\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+
  (* (pow x 4.0) -0.005555555555555556)
  (+ (* (pow x 6.0) 0.0003527336860670194) (* x (* x 0.16666666666666666)))))

C

double code(double x) {
	return (pow(x, 4.0) * -0.005555555555555556) + ((pow(x, 6.0) * 0.0003527336860670194) + (x * (x * 0.16666666666666666)));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((x ** 4.0d0) * (-0.005555555555555556d0)) + (((x ** 6.0d0) * 0.0003527336860670194d0) + (x * (x * 0.16666666666666666d0)))
end function

Java

public static double code(double x) {
	return (Math.pow(x, 4.0) * -0.005555555555555556) + ((Math.pow(x, 6.0) * 0.0003527336860670194) + (x * (x * 0.16666666666666666)));
}

Python

def code(x):
	return (math.pow(x, 4.0) * -0.005555555555555556) + ((math.pow(x, 6.0) * 0.0003527336860670194) + (x * (x * 0.16666666666666666)))

Julia

function code(x)
	return Float64(Float64((x ^ 4.0) * -0.005555555555555556) + Float64(Float64((x ^ 6.0) * 0.0003527336860670194) + Float64(x * Float64(x * 0.16666666666666666))))
end

MATLAB

function tmp = code(x)
	tmp = ((x ^ 4.0) * -0.005555555555555556) + (((x ^ 6.0) * 0.0003527336860670194) + (x * (x * 0.16666666666666666)));
end

Wolfram

code[x_] := N[(N[(N[Power[x, 4.0], $MachinePrecision] * -0.005555555555555556), $MachinePrecision] + N[(N[(N[Power[x, 6.0], $MachinePrecision] * 0.0003527336860670194), $MachinePrecision] + N[(x * N[(x * 0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 60.7%

   \[\log \left(\frac{\sinh x}{x}\right) \]
2. Add Preprocessing

3. Taylor expanded in x around 0 98.5%

   \[\leadsto \color{blue}{-0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + 0.16666666666666666 \cdot {x}^{2}\right)} \]
4. Step-by-step derivation

   1. add-sqr-sqrt 98.3%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + \color{blue}{\sqrt{0.16666666666666666 \cdot {x}^{2}} \cdot \sqrt{0.16666666666666666 \cdot {x}^{2}}}\right) \]

   2. pow2 98.3%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + \color{blue}{{\left(\sqrt{0.16666666666666666 \cdot {x}^{2}}\right)}^{2}}\right) \]

   3. *-commutative 98.3%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + {\left(\sqrt{\color{blue}{{x}^{2} \cdot 0.16666666666666666}}\right)}^{2}\right) \]

   4. sqrt-prod 98.4%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + {\color{blue}{\left(\sqrt{{x}^{2}} \cdot \sqrt{0.16666666666666666}\right)}}^{2}\right) \]

   5. unpow2 98.4%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + {\left(\sqrt{\color{blue}{x \cdot x}} \cdot \sqrt{0.16666666666666666}\right)}^{2}\right) \]

   6. sqrt-prod 47.6%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + {\left(\color{blue}{\left(\sqrt{x} \cdot \sqrt{x}\right)} \cdot \sqrt{0.16666666666666666}\right)}^{2}\right) \]

   7. add-sqr-sqrt 98.4%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + {\left(\color{blue}{x} \cdot \sqrt{0.16666666666666666}\right)}^{2}\right) \]

5. Applied egg-rr 98.4%

   \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + \color{blue}{{\left(x \cdot \sqrt{0.16666666666666666}\right)}^{2}}\right) \]
6. Step-by-step derivation

   1. *-commutative 98.4%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + {\color{blue}{\left(\sqrt{0.16666666666666666} \cdot x\right)}}^{2}\right) \]

   2. unpow-prod-down 98.5%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + \color{blue}{{\left(\sqrt{0.16666666666666666}\right)}^{2} \cdot {x}^{2}}\right) \]

   3. pow2 98.5%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + \color{blue}{\left(\sqrt{0.16666666666666666} \cdot \sqrt{0.16666666666666666}\right)} \cdot {x}^{2}\right) \]

   4. rem-square-sqrt 98.5%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + \color{blue}{0.16666666666666666} \cdot {x}^{2}\right) \]

   5. unpow2 98.5%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)}\right) \]

   6. associate-*r* 98.4%

      \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + \color{blue}{\left(0.16666666666666666 \cdot x\right) \cdot x}\right) \]

7. Applied egg-rr 98.4%

   \[\leadsto -0.005555555555555556 \cdot {x}^{4} + \left(0.0003527336860670194 \cdot {x}^{6} + \color{blue}{\left(0.16666666666666666 \cdot x\right) \cdot x}\right) \]

8. Final simplification 98.4%

   \[\leadsto {x}^{4} \cdot -0.005555555555555556 + \left({x}^{6} \cdot 0.0003527336860670194 + x \cdot \left(x \cdot 0.16666666666666666\right)\right) \]
9. Add Preprocessing

Alternative 4: 96.6% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ {x}^{4} \cdot -0.005555555555555556 + {x}^{2} \cdot 0.16666666666666666 \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+ (* (pow x 4.0) -0.005555555555555556) (* (pow x 2.0) 0.16666666666666666)))

C

double code(double x) {
	return (pow(x, 4.0) * -0.005555555555555556) + (pow(x, 2.0) * 0.16666666666666666);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((x ** 4.0d0) * (-0.005555555555555556d0)) + ((x ** 2.0d0) * 0.16666666666666666d0)
end function

Java

public static double code(double x) {
	return (Math.pow(x, 4.0) * -0.005555555555555556) + (Math.pow(x, 2.0) * 0.16666666666666666);
}

Python

def code(x):
	return (math.pow(x, 4.0) * -0.005555555555555556) + (math.pow(x, 2.0) * 0.16666666666666666)

Julia

function code(x)
	return Float64(Float64((x ^ 4.0) * -0.005555555555555556) + Float64((x ^ 2.0) * 0.16666666666666666))
end

MATLAB

function tmp = code(x)
	tmp = ((x ^ 4.0) * -0.005555555555555556) + ((x ^ 2.0) * 0.16666666666666666);
end

Wolfram

code[x_] := N[(N[(N[Power[x, 4.0], $MachinePrecision] * -0.005555555555555556), $MachinePrecision] + N[(N[Power[x, 2.0], $MachinePrecision] * 0.16666666666666666), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 60.7%

   \[\log \left(\frac{\sinh x}{x}\right) \]
2. Add Preprocessing

3. Taylor expanded in x around 0 98.2%

   \[\leadsto \color{blue}{-0.005555555555555556 \cdot {x}^{4} + 0.16666666666666666 \cdot {x}^{2}} \]

4. Final simplification 98.2%

   \[\leadsto {x}^{4} \cdot -0.005555555555555556 + {x}^{2} \cdot 0.16666666666666666 \]
5. Add Preprocessing

Alternative 5: 96.5% accurate, 2.0× speedup

Math

\[\begin{array}{l} \\ {x}^{2} \cdot 0.16666666666666666 \end{array} \]

FPCore

(FPCore (x) :precision binary64 (* (pow x 2.0) 0.16666666666666666))

C

double code(double x) {
	return pow(x, 2.0) * 0.16666666666666666;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (x ** 2.0d0) * 0.16666666666666666d0
end function

Java

public static double code(double x) {
	return Math.pow(x, 2.0) * 0.16666666666666666;
}

Python

def code(x):
	return math.pow(x, 2.0) * 0.16666666666666666

Julia

function code(x)
	return Float64((x ^ 2.0) * 0.16666666666666666)
end

MATLAB

function tmp = code(x)
	tmp = (x ^ 2.0) * 0.16666666666666666;
end

Wolfram

code[x_] := N[(N[Power[x, 2.0], $MachinePrecision] * 0.16666666666666666), $MachinePrecision]

Derivation

1. Initial program 60.7%

   \[\log \left(\frac{\sinh x}{x}\right) \]
2. Add Preprocessing

3. Taylor expanded in x around 0 98.0%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2}} \]

4. Final simplification 98.0%

   \[\leadsto {x}^{2} \cdot 0.16666666666666666 \]
5. Add Preprocessing

Alternative 6: 50.6% accurate, 203.0× speedup

Math

\[\begin{array}{l} \\ 0 \end{array} \]

FPCore

(FPCore (x) :precision binary64 0.0)

C

double code(double x) {
	return 0.0;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 0.0d0
end function

Java

public static double code(double x) {
	return 0.0;
}

Python

def code(x):
	return 0.0

Julia

function code(x)
	return 0.0
end

MATLAB

function tmp = code(x)
	tmp = 0.0;
end

Wolfram

code[x_] := 0.0

Derivation

1. Initial program 60.7%

   \[\log \left(\frac{\sinh x}{x}\right) \]
2. Add Preprocessing

3. Taylor expanded in x around 0 59.2%

   \[\leadsto \log \color{blue}{1} \]

4. Final simplification 59.2%

   \[\leadsto 0 \]
5. Add Preprocessing

Developer target: 97.7% accurate, 0.5× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\left|x\right| < 0.085:\\ \;\;\;\;\left(x \cdot x\right) \cdot \mathsf{fma}\left(\mathsf{fma}\left(\mathsf{fma}\left(-2.6455026455026456 \cdot 10^{-5}, x \cdot x, 0.0003527336860670194\right), x \cdot x, -0.005555555555555556\right), x \cdot x, 0.16666666666666666\right)\\ \mathbf{else}:\\ \;\;\;\;\log \left(\frac{\sinh x}{x}\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (if (< (fabs x) 0.085)
   (*
    (* x x)
    (fma
     (fma
      (fma -2.6455026455026456e-5 (* x x) 0.0003527336860670194)
      (* x x)
      -0.005555555555555556)
     (* x x)
     0.16666666666666666))
   (log (/ (sinh x) x))))

C

double code(double x) {
	double tmp;
	if (fabs(x) < 0.085) {
		tmp = (x * x) * fma(fma(fma(-2.6455026455026456e-5, (x * x), 0.0003527336860670194), (x * x), -0.005555555555555556), (x * x), 0.16666666666666666);
	} else {
		tmp = log((sinh(x) / x));
	}
	return tmp;
}

Julia

function code(x)
	tmp = 0.0
	if (abs(x) < 0.085)
		tmp = Float64(Float64(x * x) * fma(fma(fma(-2.6455026455026456e-5, Float64(x * x), 0.0003527336860670194), Float64(x * x), -0.005555555555555556), Float64(x * x), 0.16666666666666666));
	else
		tmp = log(Float64(sinh(x) / x));
	end
	return tmp
end

Wolfram

code[x_] := If[Less[N[Abs[x], $MachinePrecision], 0.085], N[(N[(x * x), $MachinePrecision] * N[(N[(N[(-2.6455026455026456e-5 * N[(x * x), $MachinePrecision] + 0.0003527336860670194), $MachinePrecision] * N[(x * x), $MachinePrecision] + -0.005555555555555556), $MachinePrecision] * N[(x * x), $MachinePrecision] + 0.16666666666666666), $MachinePrecision]), $MachinePrecision], N[Log[N[(N[Sinh[x], $MachinePrecision] / x), $MachinePrecision]], $MachinePrecision]]

Reproduce

herbie shell --seed 2024046 
(FPCore (x)
  :name "bug500, discussion (missed optimization)"
  :precision binary64

  :alt
  (if (< (fabs x) 0.085) (* (* x x) (fma (fma (fma -2.6455026455026456e-5 (* x x) 0.0003527336860670194) (* x x) -0.005555555555555556) (* x x) 0.16666666666666666)) (log (/ (sinh x) x)))

  (log (/ (sinh x) x)))