bug500, discussion (missed optimization)

Percentage Accurate: 53.1% → 96.8%

Time: 18.7s

Alternatives: 2

Speedup: 40.6×

• could not determine a ground truth

  1. x = 4.737038931681157e+147

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: 53.1% 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, 0.6× speedup

Math

\[\begin{array}{l} \\ x \cdot \left(x \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + {x}^{2} \cdot -2.6455026455026456 \cdot 10^{-5}\right) - 0.005555555555555556\right)\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (*
  x
  (*
   x
   (+
    0.16666666666666666
    (*
     (pow x 2.0)
     (-
      (*
       (pow x 2.0)
       (+ 0.0003527336860670194 (* (pow x 2.0) -2.6455026455026456e-5)))
      0.005555555555555556))))))

C

double code(double x) {
	return x * (x * (0.16666666666666666 + (pow(x, 2.0) * ((pow(x, 2.0) * (0.0003527336860670194 + (pow(x, 2.0) * -2.6455026455026456e-5))) - 0.005555555555555556))));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = x * (x * (0.16666666666666666d0 + ((x ** 2.0d0) * (((x ** 2.0d0) * (0.0003527336860670194d0 + ((x ** 2.0d0) * (-2.6455026455026456d-5)))) - 0.005555555555555556d0))))
end function

Java

public static double code(double x) {
	return x * (x * (0.16666666666666666 + (Math.pow(x, 2.0) * ((Math.pow(x, 2.0) * (0.0003527336860670194 + (Math.pow(x, 2.0) * -2.6455026455026456e-5))) - 0.005555555555555556))));
}

Python

def code(x):
	return x * (x * (0.16666666666666666 + (math.pow(x, 2.0) * ((math.pow(x, 2.0) * (0.0003527336860670194 + (math.pow(x, 2.0) * -2.6455026455026456e-5))) - 0.005555555555555556))))

Julia

function code(x)
	return Float64(x * Float64(x * Float64(0.16666666666666666 + Float64((x ^ 2.0) * Float64(Float64((x ^ 2.0) * Float64(0.0003527336860670194 + Float64((x ^ 2.0) * -2.6455026455026456e-5))) - 0.005555555555555556)))))
end

MATLAB

function tmp = code(x)
	tmp = x * (x * (0.16666666666666666 + ((x ^ 2.0) * (((x ^ 2.0) * (0.0003527336860670194 + ((x ^ 2.0) * -2.6455026455026456e-5))) - 0.005555555555555556))));
end

Wolfram

code[x_] := N[(x * N[(x * N[(0.16666666666666666 + N[(N[Power[x, 2.0], $MachinePrecision] * N[(N[(N[Power[x, 2.0], $MachinePrecision] * N[(0.0003527336860670194 + N[(N[Power[x, 2.0], $MachinePrecision] * -2.6455026455026456e-5), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] - 0.005555555555555556), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 53.3%

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

3. Taylor expanded in x around 0 96.7%

   \[\leadsto \color{blue}{{x}^{2} \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)} \]
4. Step-by-step derivation

   1. add-sqr-sqrt 96.4%

      \[\leadsto \color{blue}{\sqrt{{x}^{2} \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)} \cdot \sqrt{{x}^{2} \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)}} \]

   2. pow2 96.4%

      \[\leadsto \color{blue}{{\left(\sqrt{{x}^{2} \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)}\right)}^{2}} \]

5. Applied egg-rr 96.4%

   \[\leadsto \color{blue}{{\left(x \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right)}^{2}} \]
6. Step-by-step derivation

   1. unpow2 96.4%

      \[\leadsto \color{blue}{\left(x \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right) \cdot \left(x \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right)} \]

   2. *-commutative 96.4%

      \[\leadsto \color{blue}{\left(\sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot x\right)} \cdot \left(x \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right) \]

   3. *-commutative 96.4%

      \[\leadsto \left(\sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot x\right) \cdot \color{blue}{\left(\sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot x\right)} \]

   4. swap-sqr 96.6%

      \[\leadsto \color{blue}{\left(\sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right) \cdot \left(x \cdot x\right)} \]

   5. add-sqr-sqrt 96.7%

      \[\leadsto \color{blue}{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot \left(x \cdot x\right) \]

   6. fma-undefine 96.7%

      \[\leadsto \color{blue}{\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right) + 0.16666666666666666\right)} \cdot \left(x \cdot x\right) \]

   7. log1p-expm1-u 96.6%

      \[\leadsto \left(\color{blue}{\mathsf{log1p}\left(\mathsf{expm1}\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right)\right)\right)} + 0.16666666666666666\right) \cdot \left(x \cdot x\right) \]

   8. log1p-define 96.6%

      \[\leadsto \left(\color{blue}{\log \left(1 + \mathsf{expm1}\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right)\right)\right)} + 0.16666666666666666\right) \cdot \left(x \cdot x\right) \]

   9. +-commutative 96.6%

      \[\leadsto \color{blue}{\left(0.16666666666666666 + \log \left(1 + \mathsf{expm1}\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right)\right)\right)\right)} \cdot \left(x \cdot x\right) \]

   10. associate-*r* 96.7%

       \[\leadsto \color{blue}{\left(\left(0.16666666666666666 + \log \left(1 + \mathsf{expm1}\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right)\right)\right)\right) \cdot x\right) \cdot x} \]

7. Applied egg-rr 96.7%

   \[\leadsto \color{blue}{\left(\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right) \cdot x\right) \cdot x} \]

8. Taylor expanded in x around 0 96.7%

   \[\leadsto \color{blue}{\left(x \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)\right)} \cdot x \]

9. Final simplification 96.7%

   \[\leadsto x \cdot \left(x \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + {x}^{2} \cdot -2.6455026455026456 \cdot 10^{-5}\right) - 0.005555555555555556\right)\right)\right) \]
10. Add Preprocessing

Alternative 2: 96.5% accurate, 40.6× speedup

Math

\[\begin{array}{l} \\ x \cdot \left(x \cdot 0.16666666666666666\right) \end{array} \]

FPCore

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

C

double code(double x) {
	return x * (x * 0.16666666666666666);
}

Fortran

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

Java

public static double code(double x) {
	return x * (x * 0.16666666666666666);
}

Python

def code(x):
	return x * (x * 0.16666666666666666)

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 53.3%

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

3. Taylor expanded in x around 0 96.7%

   \[\leadsto \color{blue}{{x}^{2} \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)} \]
4. Step-by-step derivation

   1. add-sqr-sqrt 96.4%

      \[\leadsto \color{blue}{\sqrt{{x}^{2} \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)} \cdot \sqrt{{x}^{2} \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)}} \]

   2. pow2 96.4%

      \[\leadsto \color{blue}{{\left(\sqrt{{x}^{2} \cdot \left(0.16666666666666666 + {x}^{2} \cdot \left({x}^{2} \cdot \left(0.0003527336860670194 + -2.6455026455026456 \cdot 10^{-5} \cdot {x}^{2}\right) - 0.005555555555555556\right)\right)}\right)}^{2}} \]

5. Applied egg-rr 96.4%

   \[\leadsto \color{blue}{{\left(x \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right)}^{2}} \]
6. Step-by-step derivation

   1. unpow2 96.4%

      \[\leadsto \color{blue}{\left(x \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right) \cdot \left(x \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right)} \]

   2. *-commutative 96.4%

      \[\leadsto \color{blue}{\left(\sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot x\right)} \cdot \left(x \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right) \]

   3. *-commutative 96.4%

      \[\leadsto \left(\sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot x\right) \cdot \color{blue}{\left(\sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot x\right)} \]

   4. swap-sqr 96.6%

      \[\leadsto \color{blue}{\left(\sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot \sqrt{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)}\right) \cdot \left(x \cdot x\right)} \]

   5. add-sqr-sqrt 96.7%

      \[\leadsto \color{blue}{\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right)} \cdot \left(x \cdot x\right) \]

   6. fma-undefine 96.7%

      \[\leadsto \color{blue}{\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right) + 0.16666666666666666\right)} \cdot \left(x \cdot x\right) \]

   7. log1p-expm1-u 96.6%

      \[\leadsto \left(\color{blue}{\mathsf{log1p}\left(\mathsf{expm1}\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right)\right)\right)} + 0.16666666666666666\right) \cdot \left(x \cdot x\right) \]

   8. log1p-define 96.6%

      \[\leadsto \left(\color{blue}{\log \left(1 + \mathsf{expm1}\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right)\right)\right)} + 0.16666666666666666\right) \cdot \left(x \cdot x\right) \]

   9. +-commutative 96.6%

      \[\leadsto \color{blue}{\left(0.16666666666666666 + \log \left(1 + \mathsf{expm1}\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right)\right)\right)\right)} \cdot \left(x \cdot x\right) \]

   10. associate-*r* 96.7%

       \[\leadsto \color{blue}{\left(\left(0.16666666666666666 + \log \left(1 + \mathsf{expm1}\left({x}^{2} \cdot \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right)\right)\right)\right) \cdot x\right) \cdot x} \]

7. Applied egg-rr 96.7%

   \[\leadsto \color{blue}{\left(\mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, \mathsf{fma}\left({x}^{2}, -2.6455026455026456 \cdot 10^{-5}, 0.0003527336860670194\right), -0.005555555555555556\right), 0.16666666666666666\right) \cdot x\right) \cdot x} \]

8. Taylor expanded in x around 0 96.6%

   \[\leadsto \color{blue}{\left(0.16666666666666666 \cdot x\right)} \cdot x \]

9. Final simplification 96.6%

   \[\leadsto x \cdot \left(x \cdot 0.16666666666666666\right) \]
10. Add Preprocessing

Developer target: 97.8% 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 2024103 
(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)))