bug500, discussion (missed optimization)

Percentage Accurate: 51.4% → 96.8%

Time: 19.6s

Alternatives: 5

Speedup: 2.0×

• could not determine a ground truth

  1. x = -1.4258501952257644e+283

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: 51.4% 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: 96.8% accurate, 0.5× speedup

Math

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

FPCore

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

C

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

Julia

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

Wolfram

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

Derivation

1. Initial program 50.9%

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

3. Taylor expanded in x around 0 96.8%

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

   1. +-commutative 96.8%

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

   2. distribute-rgt-in 96.8%

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

   3. *-commutative 96.8%

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

   4. associate-*l* 96.8%

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

   5. fma-neg 96.8%

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

   6. metadata-eval 96.8%

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

   7. pow-prod-up 96.8%

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

   8. metadata-eval 96.8%

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

   9. *-commutative 96.8%

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

5. Applied egg-rr 96.8%

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

6. Final simplification 96.8%

   \[\leadsto \mathsf{fma}\left(0.0003527336860670194, {x}^{2}, -0.005555555555555556\right) \cdot {x}^{4} + {x}^{2} \cdot 0.16666666666666666 \]
7. Add Preprocessing

Alternative 2: 96.8% accurate, 0.6× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 50.9%

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

3. Taylor expanded in x around 0 96.8%

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

4. Final simplification 96.8%

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

Alternative 3: 96.3% accurate, 1.0× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 50.9%

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

3. Taylor expanded in x around 0 96.3%

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

   1. *-commutative 96.3%

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

5. Simplified 96.3%

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

6. Final simplification 96.3%

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

Alternative 4: 96.1% 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 50.9%

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

3. Taylor expanded in x around 0 96.2%

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

4. Final simplification 96.2%

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

Alternative 5: 48.8% 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 50.9%

   \[\log \left(\frac{\sinh x}{x}\right) \]
2. Add Preprocessing
3. Step-by-step derivation

   1. clear-num 50.9%

      \[\leadsto \log \color{blue}{\left(\frac{1}{\frac{x}{\sinh x}}\right)} \]

   2. log-div 50.9%

      \[\leadsto \color{blue}{\log 1 - \log \left(\frac{x}{\sinh x}\right)} \]

   3. metadata-eval 50.9%

      \[\leadsto \color{blue}{0} - \log \left(\frac{x}{\sinh x}\right) \]

4. Applied egg-rr 50.9%

   \[\leadsto \color{blue}{0 - \log \left(\frac{x}{\sinh x}\right)} \]
5. Step-by-step derivation

   1. neg-sub0 50.9%

      \[\leadsto \color{blue}{-\log \left(\frac{x}{\sinh x}\right)} \]

6. Simplified 50.9%

   \[\leadsto \color{blue}{-\log \left(\frac{x}{\sinh x}\right)} \]

7. Taylor expanded in x around 0 48.5%

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

8. Final simplification 48.5%

   \[\leadsto 0 \]
9. Add Preprocessing

Developer target: 97.6% 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 2024067 
(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)))