Hyperbolic sine

Percentage Accurate: 53.8% → 100.0%

Time: 6.9s

Alternatives: 10

Speedup: 1.9×

• 49.4% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

\[\begin{array}{l} \\ \frac{e^{x} - e^{-x}}{2} \end{array} \]

FPCore

(FPCore (x) :precision binary64 (/ (- (exp x) (exp (- x))) 2.0))

C

double code(double x) {
	return (exp(x) - exp(-x)) / 2.0;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (exp(x) - exp(-x)) / 2.0d0
end function

Java

public static double code(double x) {
	return (Math.exp(x) - Math.exp(-x)) / 2.0;
}

Python

def code(x):
	return (math.exp(x) - math.exp(-x)) / 2.0

Julia

function code(x)
	return Float64(Float64(exp(x) - exp(Float64(-x))) / 2.0)
end

MATLAB

function tmp = code(x)
	tmp = (exp(x) - exp(-x)) / 2.0;
end

Wolfram

code[x_] := N[(N[(N[Exp[x], $MachinePrecision] - N[Exp[(-x)], $MachinePrecision]), $MachinePrecision] / 2.0), $MachinePrecision]

Initial Program: 53.8% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{e^{x} - e^{-x}}{2} \end{array} \]

FPCore

(FPCore (x) :precision binary64 (/ (- (exp x) (exp (- x))) 2.0))

C

double code(double x) {
	return (exp(x) - exp(-x)) / 2.0;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (exp(x) - exp(-x)) / 2.0d0
end function

Java

public static double code(double x) {
	return (Math.exp(x) - Math.exp(-x)) / 2.0;
}

Python

def code(x):
	return (math.exp(x) - math.exp(-x)) / 2.0

Julia

function code(x)
	return Float64(Float64(exp(x) - exp(Float64(-x))) / 2.0)
end

MATLAB

function tmp = code(x)
	tmp = (exp(x) - exp(-x)) / 2.0;
end

Wolfram

code[x_] := N[(N[(N[Exp[x], $MachinePrecision] - N[Exp[(-x)], $MachinePrecision]), $MachinePrecision] / 2.0), $MachinePrecision]

Alternative 1: 100.0% accurate, 0.5× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ \begin{array}{l} t_0 := e^{x\_m} - e^{-x\_m}\\ x\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq 0.01:\\ \;\;\;\;\frac{x\_m \cdot \left(2 + \mathsf{fma}\left(x\_m \cdot 0.3333333333333333, x\_m, 0.016666666666666666 \cdot {x\_m}^{4}\right)\right)}{2}\\ \mathbf{else}:\\ \;\;\;\;\frac{t\_0}{2}\\ \end{array} \end{array} \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m)
 :precision binary64
 (let* ((t_0 (- (exp x_m) (exp (- x_m)))))
   (*
    x_s
    (if (<= t_0 0.01)
      (/
       (*
        x_m
        (+
         2.0
         (fma
          (* x_m 0.3333333333333333)
          x_m
          (* 0.016666666666666666 (pow x_m 4.0)))))
       2.0)
      (/ t_0 2.0)))))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	double t_0 = exp(x_m) - exp(-x_m);
	double tmp;
	if (t_0 <= 0.01) {
		tmp = (x_m * (2.0 + fma((x_m * 0.3333333333333333), x_m, (0.016666666666666666 * pow(x_m, 4.0))))) / 2.0;
	} else {
		tmp = t_0 / 2.0;
	}
	return x_s * tmp;
}

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	t_0 = Float64(exp(x_m) - exp(Float64(-x_m)))
	tmp = 0.0
	if (t_0 <= 0.01)
		tmp = Float64(Float64(x_m * Float64(2.0 + fma(Float64(x_m * 0.3333333333333333), x_m, Float64(0.016666666666666666 * (x_m ^ 4.0))))) / 2.0);
	else
		tmp = Float64(t_0 / 2.0);
	end
	return Float64(x_s * tmp)
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := Block[{t$95$0 = N[(N[Exp[x$95$m], $MachinePrecision] - N[Exp[(-x$95$m)], $MachinePrecision]), $MachinePrecision]}, N[(x$95$s * If[LessEqual[t$95$0, 0.01], N[(N[(x$95$m * N[(2.0 + N[(N[(x$95$m * 0.3333333333333333), $MachinePrecision] * x$95$m + N[(0.016666666666666666 * N[Power[x$95$m, 4.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / 2.0), $MachinePrecision], N[(t$95$0 / 2.0), $MachinePrecision]]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (-.f64 (exp.f64 x) (exp.f64 (neg.f64 x))) < 0.0100000000000000002

   1. Initial program 41.8%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0 90.7%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + 0.016666666666666666 \cdot {x}^{2}\right)\right)}}{2} \]
   4. Step-by-step derivation

      1. *-commutative 90.7%

         \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + \color{blue}{{x}^{2} \cdot 0.016666666666666666}\right)\right)}{2} \]

   5. Simplified 90.7%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot 0.016666666666666666\right)\right)}}{2} \]
   6. Step-by-step derivation

      1. distribute-lft-in 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \color{blue}{\left({x}^{2} \cdot 0.3333333333333333 + {x}^{2} \cdot \left({x}^{2} \cdot 0.016666666666666666\right)\right)}\right)}{2} \]

      2. *-commutative 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \left(\color{blue}{0.3333333333333333 \cdot {x}^{2}} + {x}^{2} \cdot \left({x}^{2} \cdot 0.016666666666666666\right)\right)\right)}{2} \]

      3. unpow2 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \left(0.3333333333333333 \cdot \color{blue}{\left(x \cdot x\right)} + {x}^{2} \cdot \left({x}^{2} \cdot 0.016666666666666666\right)\right)\right)}{2} \]

      4. associate-*r* 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \left(\color{blue}{\left(0.3333333333333333 \cdot x\right) \cdot x} + {x}^{2} \cdot \left({x}^{2} \cdot 0.016666666666666666\right)\right)\right)}{2} \]

      5. fma-define 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \color{blue}{\mathsf{fma}\left(0.3333333333333333 \cdot x, x, {x}^{2} \cdot \left({x}^{2} \cdot 0.016666666666666666\right)\right)}\right)}{2} \]

      6. *-commutative 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \mathsf{fma}\left(0.3333333333333333 \cdot x, x, \color{blue}{\left({x}^{2} \cdot 0.016666666666666666\right) \cdot {x}^{2}}\right)\right)}{2} \]

      7. *-commutative 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \mathsf{fma}\left(0.3333333333333333 \cdot x, x, \color{blue}{\left(0.016666666666666666 \cdot {x}^{2}\right)} \cdot {x}^{2}\right)\right)}{2} \]

      8. associate-*l* 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \mathsf{fma}\left(0.3333333333333333 \cdot x, x, \color{blue}{0.016666666666666666 \cdot \left({x}^{2} \cdot {x}^{2}\right)}\right)\right)}{2} \]

      9. pow-prod-up 90.7%

         \[\leadsto \frac{x \cdot \left(2 + \mathsf{fma}\left(0.3333333333333333 \cdot x, x, 0.016666666666666666 \cdot \color{blue}{{x}^{\left(2 + 2\right)}}\right)\right)}{2} \]

      10. metadata-eval 90.7%

          \[\leadsto \frac{x \cdot \left(2 + \mathsf{fma}\left(0.3333333333333333 \cdot x, x, 0.016666666666666666 \cdot {x}^{\color{blue}{4}}\right)\right)}{2} \]

   7. Applied egg-rr 90.7%

      \[\leadsto \frac{x \cdot \left(2 + \color{blue}{\mathsf{fma}\left(0.3333333333333333 \cdot x, x, 0.016666666666666666 \cdot {x}^{4}\right)}\right)}{2} \]

   if 0.0100000000000000002 < (-.f64 (exp.f64 x) (exp.f64 (neg.f64 x)))

   1. Initial program 100.0%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing
3. Recombined 2 regimes into one program.

4. Final simplification 93.1%

   \[\leadsto \begin{array}{l} \mathbf{if}\;e^{x} - e^{-x} \leq 0.01:\\ \;\;\;\;\frac{x \cdot \left(2 + \mathsf{fma}\left(x \cdot 0.3333333333333333, x, 0.016666666666666666 \cdot {x}^{4}\right)\right)}{2}\\ \mathbf{else}:\\ \;\;\;\;\frac{e^{x} - e^{-x}}{2}\\ \end{array} \]
5. Add Preprocessing

Alternative 2: 100.0% accurate, 0.5× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ \begin{array}{l} t_0 := e^{x\_m} - e^{-x\_m}\\ x\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq 0.0002:\\ \;\;\;\;\frac{x\_m \cdot 2 + 0.3333333333333333 \cdot {x\_m}^{3}}{2}\\ \mathbf{else}:\\ \;\;\;\;\frac{t\_0}{2}\\ \end{array} \end{array} \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m)
 :precision binary64
 (let* ((t_0 (- (exp x_m) (exp (- x_m)))))
   (*
    x_s
    (if (<= t_0 0.0002)
      (/ (+ (* x_m 2.0) (* 0.3333333333333333 (pow x_m 3.0))) 2.0)
      (/ t_0 2.0)))))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	double t_0 = exp(x_m) - exp(-x_m);
	double tmp;
	if (t_0 <= 0.0002) {
		tmp = ((x_m * 2.0) + (0.3333333333333333 * pow(x_m, 3.0))) / 2.0;
	} else {
		tmp = t_0 / 2.0;
	}
	return x_s * tmp;
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(x_m) - exp(-x_m)
    if (t_0 <= 0.0002d0) then
        tmp = ((x_m * 2.0d0) + (0.3333333333333333d0 * (x_m ** 3.0d0))) / 2.0d0
    else
        tmp = t_0 / 2.0d0
    end if
    code = x_s * tmp
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	double t_0 = Math.exp(x_m) - Math.exp(-x_m);
	double tmp;
	if (t_0 <= 0.0002) {
		tmp = ((x_m * 2.0) + (0.3333333333333333 * Math.pow(x_m, 3.0))) / 2.0;
	} else {
		tmp = t_0 / 2.0;
	}
	return x_s * tmp;
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	t_0 = math.exp(x_m) - math.exp(-x_m)
	tmp = 0
	if t_0 <= 0.0002:
		tmp = ((x_m * 2.0) + (0.3333333333333333 * math.pow(x_m, 3.0))) / 2.0
	else:
		tmp = t_0 / 2.0
	return x_s * tmp

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	t_0 = Float64(exp(x_m) - exp(Float64(-x_m)))
	tmp = 0.0
	if (t_0 <= 0.0002)
		tmp = Float64(Float64(Float64(x_m * 2.0) + Float64(0.3333333333333333 * (x_m ^ 3.0))) / 2.0);
	else
		tmp = Float64(t_0 / 2.0);
	end
	return Float64(x_s * tmp)
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp_2 = code(x_s, x_m)
	t_0 = exp(x_m) - exp(-x_m);
	tmp = 0.0;
	if (t_0 <= 0.0002)
		tmp = ((x_m * 2.0) + (0.3333333333333333 * (x_m ^ 3.0))) / 2.0;
	else
		tmp = t_0 / 2.0;
	end
	tmp_2 = x_s * tmp;
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := Block[{t$95$0 = N[(N[Exp[x$95$m], $MachinePrecision] - N[Exp[(-x$95$m)], $MachinePrecision]), $MachinePrecision]}, N[(x$95$s * If[LessEqual[t$95$0, 0.0002], N[(N[(N[(x$95$m * 2.0), $MachinePrecision] + N[(0.3333333333333333 * N[Power[x$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / 2.0), $MachinePrecision], N[(t$95$0 / 2.0), $MachinePrecision]]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (-.f64 (exp.f64 x) (exp.f64 (neg.f64 x))) < 2.0000000000000001e-4

   1. Initial program 41.5%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0 90.6%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + 0.016666666666666666 \cdot {x}^{2}\right)\right)}}{2} \]
   4. Step-by-step derivation

      1. *-commutative 90.6%

         \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + \color{blue}{{x}^{2} \cdot 0.016666666666666666}\right)\right)}{2} \]

   5. Simplified 90.6%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot 0.016666666666666666\right)\right)}}{2} \]

   6. Taylor expanded in x around 0 86.9%

      \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \color{blue}{0.3333333333333333}\right)}{2} \]
   7. Step-by-step derivation

      1. distribute-rgt-in 86.9%

         \[\leadsto \frac{\color{blue}{2 \cdot x + \left({x}^{2} \cdot 0.3333333333333333\right) \cdot x}}{2} \]

      2. *-commutative 86.9%

         \[\leadsto \frac{\color{blue}{x \cdot 2} + \left({x}^{2} \cdot 0.3333333333333333\right) \cdot x}{2} \]

      3. *-commutative 86.9%

         \[\leadsto \frac{x \cdot 2 + \color{blue}{\left(0.3333333333333333 \cdot {x}^{2}\right)} \cdot x}{2} \]

      4. associate-*r* 86.9%

         \[\leadsto \frac{x \cdot 2 + \color{blue}{0.3333333333333333 \cdot \left({x}^{2} \cdot x\right)}}{2} \]

      5. unpow2 86.9%

         \[\leadsto \frac{x \cdot 2 + 0.3333333333333333 \cdot \left(\color{blue}{\left(x \cdot x\right)} \cdot x\right)}{2} \]

      6. unpow3 86.9%

         \[\leadsto \frac{x \cdot 2 + 0.3333333333333333 \cdot \color{blue}{{x}^{3}}}{2} \]

   8. Applied egg-rr 86.9%

      \[\leadsto \frac{\color{blue}{x \cdot 2 + 0.3333333333333333 \cdot {x}^{3}}}{2} \]

   if 2.0000000000000001e-4 < (-.f64 (exp.f64 x) (exp.f64 (neg.f64 x)))

   1. Initial program 99.9%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing
3. Recombined 2 regimes into one program.
4. Add Preprocessing

Alternative 3: 92.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \begin{array}{l} \mathbf{if}\;x\_m \leq 2 \cdot 10^{+49}:\\ \;\;\;\;\frac{x\_m \cdot 2 + 0.3333333333333333 \cdot {x\_m}^{3}}{2}\\ \mathbf{else}:\\ \;\;\;\;\sqrt{{x\_m}^{6} \cdot 0.027777777777777776}\\ \end{array} \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m)
 :precision binary64
 (*
  x_s
  (if (<= x_m 2e+49)
    (/ (+ (* x_m 2.0) (* 0.3333333333333333 (pow x_m 3.0))) 2.0)
    (sqrt (* (pow x_m 6.0) 0.027777777777777776)))))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	double tmp;
	if (x_m <= 2e+49) {
		tmp = ((x_m * 2.0) + (0.3333333333333333 * pow(x_m, 3.0))) / 2.0;
	} else {
		tmp = sqrt((pow(x_m, 6.0) * 0.027777777777777776));
	}
	return x_s * tmp;
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    real(8) :: tmp
    if (x_m <= 2d+49) then
        tmp = ((x_m * 2.0d0) + (0.3333333333333333d0 * (x_m ** 3.0d0))) / 2.0d0
    else
        tmp = sqrt(((x_m ** 6.0d0) * 0.027777777777777776d0))
    end if
    code = x_s * tmp
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	double tmp;
	if (x_m <= 2e+49) {
		tmp = ((x_m * 2.0) + (0.3333333333333333 * Math.pow(x_m, 3.0))) / 2.0;
	} else {
		tmp = Math.sqrt((Math.pow(x_m, 6.0) * 0.027777777777777776));
	}
	return x_s * tmp;
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	tmp = 0
	if x_m <= 2e+49:
		tmp = ((x_m * 2.0) + (0.3333333333333333 * math.pow(x_m, 3.0))) / 2.0
	else:
		tmp = math.sqrt((math.pow(x_m, 6.0) * 0.027777777777777776))
	return x_s * tmp

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	tmp = 0.0
	if (x_m <= 2e+49)
		tmp = Float64(Float64(Float64(x_m * 2.0) + Float64(0.3333333333333333 * (x_m ^ 3.0))) / 2.0);
	else
		tmp = sqrt(Float64((x_m ^ 6.0) * 0.027777777777777776));
	end
	return Float64(x_s * tmp)
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp_2 = code(x_s, x_m)
	tmp = 0.0;
	if (x_m <= 2e+49)
		tmp = ((x_m * 2.0) + (0.3333333333333333 * (x_m ^ 3.0))) / 2.0;
	else
		tmp = sqrt(((x_m ^ 6.0) * 0.027777777777777776));
	end
	tmp_2 = x_s * tmp;
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := N[(x$95$s * If[LessEqual[x$95$m, 2e+49], N[(N[(N[(x$95$m * 2.0), $MachinePrecision] + N[(0.3333333333333333 * N[Power[x$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / 2.0), $MachinePrecision], N[Sqrt[N[(N[Power[x$95$m, 6.0], $MachinePrecision] * 0.027777777777777776), $MachinePrecision]], $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if x < 1.99999999999999989e49

   1. Initial program 45.8%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0 84.7%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + 0.016666666666666666 \cdot {x}^{2}\right)\right)}}{2} \]
   4. Step-by-step derivation

      1. *-commutative 84.7%

         \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + \color{blue}{{x}^{2} \cdot 0.016666666666666666}\right)\right)}{2} \]

   5. Simplified 84.7%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot 0.016666666666666666\right)\right)}}{2} \]

   6. Taylor expanded in x around 0 81.1%

      \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \color{blue}{0.3333333333333333}\right)}{2} \]
   7. Step-by-step derivation

      1. distribute-rgt-in 81.1%

         \[\leadsto \frac{\color{blue}{2 \cdot x + \left({x}^{2} \cdot 0.3333333333333333\right) \cdot x}}{2} \]

      2. *-commutative 81.1%

         \[\leadsto \frac{\color{blue}{x \cdot 2} + \left({x}^{2} \cdot 0.3333333333333333\right) \cdot x}{2} \]

      3. *-commutative 81.1%

         \[\leadsto \frac{x \cdot 2 + \color{blue}{\left(0.3333333333333333 \cdot {x}^{2}\right)} \cdot x}{2} \]

      4. associate-*r* 81.1%

         \[\leadsto \frac{x \cdot 2 + \color{blue}{0.3333333333333333 \cdot \left({x}^{2} \cdot x\right)}}{2} \]

      5. unpow2 81.1%

         \[\leadsto \frac{x \cdot 2 + 0.3333333333333333 \cdot \left(\color{blue}{\left(x \cdot x\right)} \cdot x\right)}{2} \]

      6. unpow3 81.1%

         \[\leadsto \frac{x \cdot 2 + 0.3333333333333333 \cdot \color{blue}{{x}^{3}}}{2} \]

   8. Applied egg-rr 81.1%

      \[\leadsto \frac{\color{blue}{x \cdot 2 + 0.3333333333333333 \cdot {x}^{3}}}{2} \]

   if 1.99999999999999989e49 < x

   1. Initial program 100.0%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0 96.6%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + 0.016666666666666666 \cdot {x}^{2}\right)\right)}}{2} \]
   4. Step-by-step derivation

      1. *-commutative 96.6%

         \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + \color{blue}{{x}^{2} \cdot 0.016666666666666666}\right)\right)}{2} \]

   5. Simplified 96.6%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot 0.016666666666666666\right)\right)}}{2} \]

   6. Taylor expanded in x around 0 82.7%

      \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \color{blue}{0.3333333333333333}\right)}{2} \]

   7. Taylor expanded in x around inf 82.7%

      \[\leadsto \frac{\color{blue}{0.3333333333333333 \cdot {x}^{3}}}{2} \]
   8. Step-by-step derivation

      1. add-sqr-sqrt 82.7%

         \[\leadsto \color{blue}{\sqrt{\frac{0.3333333333333333 \cdot {x}^{3}}{2}} \cdot \sqrt{\frac{0.3333333333333333 \cdot {x}^{3}}{2}}} \]

      2. sqrt-unprod 100.0%

         \[\leadsto \color{blue}{\sqrt{\frac{0.3333333333333333 \cdot {x}^{3}}{2} \cdot \frac{0.3333333333333333 \cdot {x}^{3}}{2}}} \]

      3. div-inv 100.0%

         \[\leadsto \sqrt{\color{blue}{\left(\left(0.3333333333333333 \cdot {x}^{3}\right) \cdot \frac{1}{2}\right)} \cdot \frac{0.3333333333333333 \cdot {x}^{3}}{2}} \]

      4. div-inv 100.0%

         \[\leadsto \sqrt{\left(\left(0.3333333333333333 \cdot {x}^{3}\right) \cdot \frac{1}{2}\right) \cdot \color{blue}{\left(\left(0.3333333333333333 \cdot {x}^{3}\right) \cdot \frac{1}{2}\right)}} \]

      5. swap-sqr 100.0%

         \[\leadsto \sqrt{\color{blue}{\left(\left(0.3333333333333333 \cdot {x}^{3}\right) \cdot \left(0.3333333333333333 \cdot {x}^{3}\right)\right) \cdot \left(\frac{1}{2} \cdot \frac{1}{2}\right)}} \]

      6. *-commutative 100.0%

         \[\leadsto \sqrt{\left(\color{blue}{\left({x}^{3} \cdot 0.3333333333333333\right)} \cdot \left(0.3333333333333333 \cdot {x}^{3}\right)\right) \cdot \left(\frac{1}{2} \cdot \frac{1}{2}\right)} \]

      7. *-commutative 100.0%

         \[\leadsto \sqrt{\left(\left({x}^{3} \cdot 0.3333333333333333\right) \cdot \color{blue}{\left({x}^{3} \cdot 0.3333333333333333\right)}\right) \cdot \left(\frac{1}{2} \cdot \frac{1}{2}\right)} \]

      8. swap-sqr 100.0%

         \[\leadsto \sqrt{\color{blue}{\left(\left({x}^{3} \cdot {x}^{3}\right) \cdot \left(0.3333333333333333 \cdot 0.3333333333333333\right)\right)} \cdot \left(\frac{1}{2} \cdot \frac{1}{2}\right)} \]

      9. pow-prod-up 100.0%

         \[\leadsto \sqrt{\left(\color{blue}{{x}^{\left(3 + 3\right)}} \cdot \left(0.3333333333333333 \cdot 0.3333333333333333\right)\right) \cdot \left(\frac{1}{2} \cdot \frac{1}{2}\right)} \]

      10. metadata-eval 100.0%

          \[\leadsto \sqrt{\left({x}^{\color{blue}{6}} \cdot \left(0.3333333333333333 \cdot 0.3333333333333333\right)\right) \cdot \left(\frac{1}{2} \cdot \frac{1}{2}\right)} \]

      11. metadata-eval 100.0%

          \[\leadsto \sqrt{\left({x}^{6} \cdot \color{blue}{0.1111111111111111}\right) \cdot \left(\frac{1}{2} \cdot \frac{1}{2}\right)} \]

      12. metadata-eval 100.0%

          \[\leadsto \sqrt{\left({x}^{6} \cdot 0.1111111111111111\right) \cdot \left(\color{blue}{0.5} \cdot \frac{1}{2}\right)} \]

      13. metadata-eval 100.0%

          \[\leadsto \sqrt{\left({x}^{6} \cdot 0.1111111111111111\right) \cdot \left(0.5 \cdot \color{blue}{0.5}\right)} \]

      14. metadata-eval 100.0%

          \[\leadsto \sqrt{\left({x}^{6} \cdot 0.1111111111111111\right) \cdot \color{blue}{0.25}} \]

   9. Applied egg-rr 100.0%

      \[\leadsto \color{blue}{\sqrt{\left({x}^{6} \cdot 0.1111111111111111\right) \cdot 0.25}} \]
   10. Step-by-step derivation

       1. associate-*l* 100.0%

          \[\leadsto \sqrt{\color{blue}{{x}^{6} \cdot \left(0.1111111111111111 \cdot 0.25\right)}} \]

       2. metadata-eval 100.0%

          \[\leadsto \sqrt{{x}^{6} \cdot \color{blue}{0.027777777777777776}} \]

   11. Simplified 100.0%

       \[\leadsto \color{blue}{\sqrt{{x}^{6} \cdot 0.027777777777777776}} \]
3. Recombined 2 regimes into one program.
4. Add Preprocessing

Alternative 4: 90.6% accurate, 1.8× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \frac{x\_m \cdot 2 + {x\_m}^{4} \cdot \left(x\_m \cdot 0.016666666666666666\right)}{2} \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m)
 :precision binary64
 (*
  x_s
  (/ (+ (* x_m 2.0) (* (pow x_m 4.0) (* x_m 0.016666666666666666))) 2.0)))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	return x_s * (((x_m * 2.0) + (pow(x_m, 4.0) * (x_m * 0.016666666666666666))) / 2.0);
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    code = x_s * (((x_m * 2.0d0) + ((x_m ** 4.0d0) * (x_m * 0.016666666666666666d0))) / 2.0d0)
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	return x_s * (((x_m * 2.0) + (Math.pow(x_m, 4.0) * (x_m * 0.016666666666666666))) / 2.0);
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	return x_s * (((x_m * 2.0) + (math.pow(x_m, 4.0) * (x_m * 0.016666666666666666))) / 2.0)

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * Float64(Float64(Float64(x_m * 2.0) + Float64((x_m ^ 4.0) * Float64(x_m * 0.016666666666666666))) / 2.0))
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp = code(x_s, x_m)
	tmp = x_s * (((x_m * 2.0) + ((x_m ^ 4.0) * (x_m * 0.016666666666666666))) / 2.0);
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := N[(x$95$s * N[(N[(N[(x$95$m * 2.0), $MachinePrecision] + N[(N[Power[x$95$m, 4.0], $MachinePrecision] * N[(x$95$m * 0.016666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / 2.0), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 57.3%

   \[\frac{e^{x} - e^{-x}}{2} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 87.2%

   \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + 0.016666666666666666 \cdot {x}^{2}\right)\right)}}{2} \]
4. Step-by-step derivation

   1. *-commutative 87.2%

      \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + \color{blue}{{x}^{2} \cdot 0.016666666666666666}\right)\right)}{2} \]

5. Simplified 87.2%

   \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot 0.016666666666666666\right)\right)}}{2} \]

6. Taylor expanded in x around inf 86.8%

   \[\leadsto \frac{x \cdot \left(2 + \color{blue}{0.016666666666666666 \cdot {x}^{4}}\right)}{2} \]
7. Step-by-step derivation

   1. +-commutative 86.8%

      \[\leadsto \frac{x \cdot \color{blue}{\left(0.016666666666666666 \cdot {x}^{4} + 2\right)}}{2} \]

   2. distribute-lft-in 86.8%

      \[\leadsto \frac{\color{blue}{x \cdot \left(0.016666666666666666 \cdot {x}^{4}\right) + x \cdot 2}}{2} \]

   3. *-commutative 86.8%

      \[\leadsto \frac{\color{blue}{\left(0.016666666666666666 \cdot {x}^{4}\right) \cdot x} + x \cdot 2}{2} \]

   4. *-commutative 86.8%

      \[\leadsto \frac{\color{blue}{\left({x}^{4} \cdot 0.016666666666666666\right)} \cdot x + x \cdot 2}{2} \]

   5. associate-*l* 86.8%

      \[\leadsto \frac{\color{blue}{{x}^{4} \cdot \left(0.016666666666666666 \cdot x\right)} + x \cdot 2}{2} \]

8. Applied egg-rr 86.8%

   \[\leadsto \frac{\color{blue}{{x}^{4} \cdot \left(0.016666666666666666 \cdot x\right) + x \cdot 2}}{2} \]

9. Final simplification 86.8%

   \[\leadsto \frac{x \cdot 2 + {x}^{4} \cdot \left(x \cdot 0.016666666666666666\right)}{2} \]
10. Add Preprocessing

Alternative 5: 90.7% accurate, 1.9× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \begin{array}{l} \mathbf{if}\;x\_m \leq 3.3:\\ \;\;\;\;\frac{x\_m \cdot 2}{2}\\ \mathbf{else}:\\ \;\;\;\;\frac{0.016666666666666666 \cdot {x\_m}^{5}}{2}\\ \end{array} \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m)
 :precision binary64
 (*
  x_s
  (if (<= x_m 3.3)
    (/ (* x_m 2.0) 2.0)
    (/ (* 0.016666666666666666 (pow x_m 5.0)) 2.0))))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	double tmp;
	if (x_m <= 3.3) {
		tmp = (x_m * 2.0) / 2.0;
	} else {
		tmp = (0.016666666666666666 * pow(x_m, 5.0)) / 2.0;
	}
	return x_s * tmp;
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    real(8) :: tmp
    if (x_m <= 3.3d0) then
        tmp = (x_m * 2.0d0) / 2.0d0
    else
        tmp = (0.016666666666666666d0 * (x_m ** 5.0d0)) / 2.0d0
    end if
    code = x_s * tmp
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	double tmp;
	if (x_m <= 3.3) {
		tmp = (x_m * 2.0) / 2.0;
	} else {
		tmp = (0.016666666666666666 * Math.pow(x_m, 5.0)) / 2.0;
	}
	return x_s * tmp;
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	tmp = 0
	if x_m <= 3.3:
		tmp = (x_m * 2.0) / 2.0
	else:
		tmp = (0.016666666666666666 * math.pow(x_m, 5.0)) / 2.0
	return x_s * tmp

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	tmp = 0.0
	if (x_m <= 3.3)
		tmp = Float64(Float64(x_m * 2.0) / 2.0);
	else
		tmp = Float64(Float64(0.016666666666666666 * (x_m ^ 5.0)) / 2.0);
	end
	return Float64(x_s * tmp)
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp_2 = code(x_s, x_m)
	tmp = 0.0;
	if (x_m <= 3.3)
		tmp = (x_m * 2.0) / 2.0;
	else
		tmp = (0.016666666666666666 * (x_m ^ 5.0)) / 2.0;
	end
	tmp_2 = x_s * tmp;
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := N[(x$95$s * If[LessEqual[x$95$m, 3.3], N[(N[(x$95$m * 2.0), $MachinePrecision] / 2.0), $MachinePrecision], N[(N[(0.016666666666666666 * N[Power[x$95$m, 5.0], $MachinePrecision]), $MachinePrecision] / 2.0), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if x < 3.2999999999999998

   1. Initial program 41.8%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0 65.1%

      \[\leadsto \frac{\color{blue}{2 \cdot x}}{2} \]

   if 3.2999999999999998 < x

   1. Initial program 100.0%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0 77.8%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + 0.016666666666666666 \cdot {x}^{2}\right)\right)}}{2} \]
   4. Step-by-step derivation

      1. *-commutative 77.8%

         \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + \color{blue}{{x}^{2} \cdot 0.016666666666666666}\right)\right)}{2} \]

   5. Simplified 77.8%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot 0.016666666666666666\right)\right)}}{2} \]

   6. Taylor expanded in x around inf 77.8%

      \[\leadsto \frac{\color{blue}{0.016666666666666666 \cdot {x}^{5}}}{2} \]
3. Recombined 2 regimes into one program.

4. Final simplification 68.5%

   \[\leadsto \begin{array}{l} \mathbf{if}\;x \leq 3.3:\\ \;\;\;\;\frac{x \cdot 2}{2}\\ \mathbf{else}:\\ \;\;\;\;\frac{0.016666666666666666 \cdot {x}^{5}}{2}\\ \end{array} \]
5. Add Preprocessing

Alternative 6: 90.6% accurate, 1.9× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \frac{x\_m \cdot \left(2 + 0.016666666666666666 \cdot {x\_m}^{4}\right)}{2} \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m)
 :precision binary64
 (* x_s (/ (* x_m (+ 2.0 (* 0.016666666666666666 (pow x_m 4.0)))) 2.0)))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	return x_s * ((x_m * (2.0 + (0.016666666666666666 * pow(x_m, 4.0)))) / 2.0);
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    code = x_s * ((x_m * (2.0d0 + (0.016666666666666666d0 * (x_m ** 4.0d0)))) / 2.0d0)
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	return x_s * ((x_m * (2.0 + (0.016666666666666666 * Math.pow(x_m, 4.0)))) / 2.0);
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	return x_s * ((x_m * (2.0 + (0.016666666666666666 * math.pow(x_m, 4.0)))) / 2.0)

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * Float64(Float64(x_m * Float64(2.0 + Float64(0.016666666666666666 * (x_m ^ 4.0)))) / 2.0))
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp = code(x_s, x_m)
	tmp = x_s * ((x_m * (2.0 + (0.016666666666666666 * (x_m ^ 4.0)))) / 2.0);
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := N[(x$95$s * N[(N[(x$95$m * N[(2.0 + N[(0.016666666666666666 * N[Power[x$95$m, 4.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / 2.0), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 57.3%

   \[\frac{e^{x} - e^{-x}}{2} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 87.2%

   \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + 0.016666666666666666 \cdot {x}^{2}\right)\right)}}{2} \]
4. Step-by-step derivation

   1. *-commutative 87.2%

      \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + \color{blue}{{x}^{2} \cdot 0.016666666666666666}\right)\right)}{2} \]

5. Simplified 87.2%

   \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot 0.016666666666666666\right)\right)}}{2} \]

6. Taylor expanded in x around inf 86.8%

   \[\leadsto \frac{x \cdot \left(2 + \color{blue}{0.016666666666666666 \cdot {x}^{4}}\right)}{2} \]
7. Add Preprocessing

Alternative 7: 84.0% accurate, 1.9× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \begin{array}{l} \mathbf{if}\;x\_m \leq 2.4:\\ \;\;\;\;\frac{x\_m \cdot 2}{2}\\ \mathbf{else}:\\ \;\;\;\;{x\_m}^{3} \cdot 0.16666666666666666\\ \end{array} \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m)
 :precision binary64
 (*
  x_s
  (if (<= x_m 2.4) (/ (* x_m 2.0) 2.0) (* (pow x_m 3.0) 0.16666666666666666))))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	double tmp;
	if (x_m <= 2.4) {
		tmp = (x_m * 2.0) / 2.0;
	} else {
		tmp = pow(x_m, 3.0) * 0.16666666666666666;
	}
	return x_s * tmp;
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    real(8) :: tmp
    if (x_m <= 2.4d0) then
        tmp = (x_m * 2.0d0) / 2.0d0
    else
        tmp = (x_m ** 3.0d0) * 0.16666666666666666d0
    end if
    code = x_s * tmp
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	double tmp;
	if (x_m <= 2.4) {
		tmp = (x_m * 2.0) / 2.0;
	} else {
		tmp = Math.pow(x_m, 3.0) * 0.16666666666666666;
	}
	return x_s * tmp;
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	tmp = 0
	if x_m <= 2.4:
		tmp = (x_m * 2.0) / 2.0
	else:
		tmp = math.pow(x_m, 3.0) * 0.16666666666666666
	return x_s * tmp

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	tmp = 0.0
	if (x_m <= 2.4)
		tmp = Float64(Float64(x_m * 2.0) / 2.0);
	else
		tmp = Float64((x_m ^ 3.0) * 0.16666666666666666);
	end
	return Float64(x_s * tmp)
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp_2 = code(x_s, x_m)
	tmp = 0.0;
	if (x_m <= 2.4)
		tmp = (x_m * 2.0) / 2.0;
	else
		tmp = (x_m ^ 3.0) * 0.16666666666666666;
	end
	tmp_2 = x_s * tmp;
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := N[(x$95$s * If[LessEqual[x$95$m, 2.4], N[(N[(x$95$m * 2.0), $MachinePrecision] / 2.0), $MachinePrecision], N[(N[Power[x$95$m, 3.0], $MachinePrecision] * 0.16666666666666666), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if x < 2.39999999999999991

   1. Initial program 41.8%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0 65.1%

      \[\leadsto \frac{\color{blue}{2 \cdot x}}{2} \]

   if 2.39999999999999991 < x

   1. Initial program 100.0%

      \[\frac{e^{x} - e^{-x}}{2} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0 77.8%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + 0.016666666666666666 \cdot {x}^{2}\right)\right)}}{2} \]
   4. Step-by-step derivation

      1. *-commutative 77.8%

         \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + \color{blue}{{x}^{2} \cdot 0.016666666666666666}\right)\right)}{2} \]

   5. Simplified 77.8%

      \[\leadsto \frac{\color{blue}{x \cdot \left(2 + {x}^{2} \cdot \left(0.3333333333333333 + {x}^{2} \cdot 0.016666666666666666\right)\right)}}{2} \]

   6. Taylor expanded in x around 0 66.5%

      \[\leadsto \frac{x \cdot \left(2 + {x}^{2} \cdot \color{blue}{0.3333333333333333}\right)}{2} \]

   7. Taylor expanded in x around inf 66.5%

      \[\leadsto \frac{\color{blue}{0.3333333333333333 \cdot {x}^{3}}}{2} \]
   8. Step-by-step derivation

      1. *-commutative 66.5%

         \[\leadsto \frac{\color{blue}{{x}^{3} \cdot 0.3333333333333333}}{2} \]

      2. associate-/l* 66.5%

         \[\leadsto \color{blue}{{x}^{3} \cdot \frac{0.3333333333333333}{2}} \]

      3. metadata-eval 66.5%

         \[\leadsto {x}^{3} \cdot \color{blue}{0.16666666666666666} \]

   9. Applied egg-rr 66.5%

      \[\leadsto \color{blue}{{x}^{3} \cdot 0.16666666666666666} \]
3. Recombined 2 regimes into one program.

4. Final simplification 65.5%

   \[\leadsto \begin{array}{l} \mathbf{if}\;x \leq 2.4:\\ \;\;\;\;\frac{x \cdot 2}{2}\\ \mathbf{else}:\\ \;\;\;\;{x}^{3} \cdot 0.16666666666666666\\ \end{array} \]
5. Add Preprocessing

Alternative 8: 52.7% accurate, 41.2× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \frac{x\_m \cdot 2}{2} \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m) :precision binary64 (* x_s (/ (* x_m 2.0) 2.0)))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	return x_s * ((x_m * 2.0) / 2.0);
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    code = x_s * ((x_m * 2.0d0) / 2.0d0)
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	return x_s * ((x_m * 2.0) / 2.0);
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	return x_s * ((x_m * 2.0) / 2.0)

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * Float64(Float64(x_m * 2.0) / 2.0))
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp = code(x_s, x_m)
	tmp = x_s * ((x_m * 2.0) / 2.0);
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := N[(x$95$s * N[(N[(x$95$m * 2.0), $MachinePrecision] / 2.0), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 57.3%

   \[\frac{e^{x} - e^{-x}}{2} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 49.2%

   \[\leadsto \frac{\color{blue}{2 \cdot x}}{2} \]

4. Final simplification 49.2%

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

Alternative 9: 4.3% accurate, 206.0× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot 0.25 \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m) :precision binary64 (* x_s 0.25))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	return x_s * 0.25;
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    code = x_s * 0.25d0
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	return x_s * 0.25;
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	return x_s * 0.25

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * 0.25)
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp = code(x_s, x_m)
	tmp = x_s * 0.25;
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := N[(x$95$s * 0.25), $MachinePrecision]

Derivation

1. Initial program 57.3%

   \[\frac{e^{x} - e^{-x}}{2} \]
2. Add Preprocessing

4. Applied egg-rr 3.0%

   \[\leadsto \frac{\color{blue}{0.5}}{2} \]

5. Final simplification 3.0%

   \[\leadsto 0.25 \]
6. Add Preprocessing

Alternative 10: 3.5% accurate, 206.0× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot 0 \end{array} \]

FPCore

x\_m = (fabs.f64 x)
x\_s = (copysign.f64 #s(literal 1 binary64) x)
(FPCore (x_s x_m) :precision binary64 (* x_s 0.0))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	return x_s * 0.0;
}

Fortran

x\_m = abs(x)
x\_s = copysign(1.0d0, x)
real(8) function code(x_s, x_m)
    real(8), intent (in) :: x_s
    real(8), intent (in) :: x_m
    code = x_s * 0.0d0
end function

Java

x\_m = Math.abs(x);
x\_s = Math.copySign(1.0, x);
public static double code(double x_s, double x_m) {
	return x_s * 0.0;
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	return x_s * 0.0

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * 0.0)
end

MATLAB

x\_m = abs(x);
x\_s = sign(x) * abs(1.0);
function tmp = code(x_s, x_m)
	tmp = x_s * 0.0;
end

Wolfram

x\_m = N[Abs[x], $MachinePrecision]
x\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[x]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[x$95$s_, x$95$m_] := N[(x$95$s * 0.0), $MachinePrecision]

Derivation

1. Initial program 57.3%

   \[\frac{e^{x} - e^{-x}}{2} \]
2. Add Preprocessing

4. Applied egg-rr 3.4%

   \[\leadsto \frac{\color{blue}{0}}{2} \]

5. Final simplification 3.4%

   \[\leadsto 0 \]
6. Add Preprocessing

Reproduce

herbie shell --seed 2024085 
(FPCore (x)
  :name "Hyperbolic sine"
  :precision binary64
  (/ (- (exp x) (exp (- x))) 2.0))