Hyperbolic sine

Percentage Accurate: 54.0% → 100.0%

Time: 8.5s

Alternatives: 8

Speedup: 29.4×

• 49.3% 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: 54.0% 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

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ \begin{array}{l} t_0 := e^{x\_m} - e^{-x\_m}\\ x\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq 0.02:\\ \;\;\;\;x\_m + \mathsf{fma}\left(x\_m \cdot x\_m, 0.008333333333333333, 0.16666666666666666\right) \cdot {x\_m}^{3}\\ \mathbf{else}:\\ \;\;\;\;\frac{t\_0}{2}\\ \end{array} \end{array} \end{array} \]

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 0.02)
      (+
       x_m
       (*
        (fma (* x_m x_m) 0.008333333333333333 0.16666666666666666)
        (pow x_m 3.0)))
      (/ 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 <= 0.02) {
		tmp = x_m + (fma((x_m * x_m), 0.008333333333333333, 0.16666666666666666) * pow(x_m, 3.0));
	} 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 <= 0.02)
		tmp = Float64(x_m + Float64(fma(Float64(x_m * x_m), 0.008333333333333333, 0.16666666666666666) * (x_m ^ 3.0)));
	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, 0.02], N[(x$95$m + N[(N[(N[(x$95$m * x$95$m), $MachinePrecision] * 0.008333333333333333 + 0.16666666666666666), $MachinePrecision] * N[Power[x$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $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))) < 0.0200000000000000004

   1. Initial program 36.7%

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

   3. Taylor expanded in x around 0 91.3%

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

      1. distribute-lft-in 91.3%

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

      2. *-commutative 91.3%

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

      3. associate-+r+ 91.3%

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

      4. distribute-lft-in 91.3%

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

      5. fma-define 91.3%

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

      6. +-commutative 91.3%

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

      7. fma-define 91.3%

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

      8. *-commutative 91.3%

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

      9. *-commutative 91.3%

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

      10. associate-*l* 91.3%

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

      11. associate-*l* 91.3%

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

      12. pow-sqr 91.3%

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

      13. pow-plus 91.3%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot \color{blue}{{x}^{\left(2 \cdot 2 + 1\right)}}\right)}{2} \]

      14. metadata-eval 91.3%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\left(\color{blue}{4} + 1\right)}\right)}{2} \]

      15. metadata-eval 91.3%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\color{blue}{5}}\right)}{2} \]

   5. Simplified 91.3%

      \[\leadsto \frac{\color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{5}\right)}}{2} \]

   6. Taylor expanded in x around 0 91.3%

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

      1. distribute-rgt-in 91.3%

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

      2. *-lft-identity 91.3%

         \[\leadsto \color{blue}{x} + \left({x}^{2} \cdot \left(0.16666666666666666 + 0.008333333333333333 \cdot {x}^{2}\right)\right) \cdot x \]

      3. *-commutative 91.3%

         \[\leadsto x + \color{blue}{\left(\left(0.16666666666666666 + 0.008333333333333333 \cdot {x}^{2}\right) \cdot {x}^{2}\right)} \cdot x \]

      4. associate-*l* 91.3%

         \[\leadsto x + \color{blue}{\left(0.16666666666666666 + 0.008333333333333333 \cdot {x}^{2}\right) \cdot \left({x}^{2} \cdot x\right)} \]

      5. +-commutative 91.3%

         \[\leadsto x + \color{blue}{\left(0.008333333333333333 \cdot {x}^{2} + 0.16666666666666666\right)} \cdot \left({x}^{2} \cdot x\right) \]

      6. *-commutative 91.3%

         \[\leadsto x + \left(\color{blue}{{x}^{2} \cdot 0.008333333333333333} + 0.16666666666666666\right) \cdot \left({x}^{2} \cdot x\right) \]

      7. fma-define 91.3%

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

      8. unpow2 91.3%

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

      9. unpow3 91.3%

         \[\leadsto x + \mathsf{fma}\left({x}^{2}, 0.008333333333333333, 0.16666666666666666\right) \cdot \color{blue}{{x}^{3}} \]

   8. Simplified 91.3%

      \[\leadsto \color{blue}{x + \mathsf{fma}\left({x}^{2}, 0.008333333333333333, 0.16666666666666666\right) \cdot {x}^{3}} \]
   9. Step-by-step derivation

      1. unpow2 91.3%

         \[\leadsto x + \mathsf{fma}\left(\color{blue}{x \cdot x}, 0.008333333333333333, 0.16666666666666666\right) \cdot {x}^{3} \]

   10. Applied egg-rr 91.3%

       \[\leadsto x + \mathsf{fma}\left(\color{blue}{x \cdot x}, 0.008333333333333333, 0.16666666666666666\right) \cdot {x}^{3} \]

   if 0.0200000000000000004 < (-.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. Add Preprocessing

Alternative 2: 99.9% accurate, 0.5× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ \begin{array}{l} t_0 := e^{x\_m} - e^{-x\_m}\\ x\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq 4 \cdot 10^{-7}:\\ \;\;\;\;x\_m + 0.16666666666666666 \cdot {x\_m}^{3}\\ \mathbf{else}:\\ \;\;\;\;\frac{t\_0}{2}\\ \end{array} \end{array} \end{array} \]

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 4e-7)
      (+ x_m (* 0.16666666666666666 (pow x_m 3.0)))
      (/ 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 <= 4e-7) {
		tmp = x_m + (0.16666666666666666 * pow(x_m, 3.0));
	} 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 <= 4d-7) then
        tmp = x_m + (0.16666666666666666d0 * (x_m ** 3.0d0))
    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 <= 4e-7) {
		tmp = x_m + (0.16666666666666666 * Math.pow(x_m, 3.0));
	} 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 <= 4e-7:
		tmp = x_m + (0.16666666666666666 * math.pow(x_m, 3.0))
	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 <= 4e-7)
		tmp = Float64(x_m + Float64(0.16666666666666666 * (x_m ^ 3.0)));
	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 <= 4e-7)
		tmp = x_m + (0.16666666666666666 * (x_m ^ 3.0));
	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, 4e-7], N[(x$95$m + N[(0.16666666666666666 * N[Power[x$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $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))) < 3.9999999999999998e-7

   1. Initial program 36.7%

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

   3. Taylor expanded in x around 0 91.3%

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

      1. distribute-lft-in 91.3%

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

      2. *-commutative 91.3%

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

      3. associate-+r+ 91.3%

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

      4. distribute-lft-in 91.3%

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

      5. fma-define 91.3%

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

      6. +-commutative 91.3%

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

      7. fma-define 91.3%

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

      8. *-commutative 91.3%

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

      9. *-commutative 91.3%

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

      10. associate-*l* 91.3%

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

      11. associate-*l* 91.3%

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

      12. pow-sqr 91.3%

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

      13. pow-plus 91.3%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot \color{blue}{{x}^{\left(2 \cdot 2 + 1\right)}}\right)}{2} \]

      14. metadata-eval 91.3%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\left(\color{blue}{4} + 1\right)}\right)}{2} \]

      15. metadata-eval 91.3%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\color{blue}{5}}\right)}{2} \]

   5. Simplified 91.3%

      \[\leadsto \frac{\color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{5}\right)}}{2} \]

   6. Taylor expanded in x around 0 87.2%

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

      1. distribute-rgt-in 87.2%

         \[\leadsto \color{blue}{1 \cdot x + \left(0.16666666666666666 \cdot {x}^{2}\right) \cdot x} \]

      2. *-lft-identity 87.2%

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

      3. associate-*r* 87.2%

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

      4. unpow2 87.2%

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

      5. unpow3 87.2%

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

   8. Simplified 87.2%

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

   if 3.9999999999999998e-7 < (-.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. Add Preprocessing

Alternative 3: 99.6% accurate, 1.9× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \begin{array}{l} \mathbf{if}\;x\_m \leq 2.2:\\ \;\;\;\;x\_m + 0.16666666666666666 \cdot {x\_m}^{3}\\ \mathbf{else}:\\ \;\;\;\;\frac{\mathsf{expm1}\left(x\_m\right)}{2}\\ \end{array} \end{array} \]

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 2.2)
    (+ x_m (* 0.16666666666666666 (pow x_m 3.0)))
    (/ (expm1 x_m) 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 <= 2.2) {
		tmp = x_m + (0.16666666666666666 * pow(x_m, 3.0));
	} else {
		tmp = expm1(x_m) / 2.0;
	}
	return x_s * tmp;
}

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 <= 2.2) {
		tmp = x_m + (0.16666666666666666 * Math.pow(x_m, 3.0));
	} else {
		tmp = Math.expm1(x_m) / 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 <= 2.2:
		tmp = x_m + (0.16666666666666666 * math.pow(x_m, 3.0))
	else:
		tmp = math.expm1(x_m) / 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 <= 2.2)
		tmp = Float64(x_m + Float64(0.16666666666666666 * (x_m ^ 3.0)));
	else
		tmp = Float64(expm1(x_m) / 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_] := N[(x$95$s * If[LessEqual[x$95$m, 2.2], N[(x$95$m + N[(0.16666666666666666 * N[Power[x$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[(Exp[x$95$m] - 1), $MachinePrecision] / 2.0), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if x < 2.2000000000000002

   1. Initial program 37.0%

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

   3. Taylor expanded in x around 0 91.1%

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

      1. distribute-lft-in 91.1%

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

      2. *-commutative 91.1%

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

      3. associate-+r+ 91.1%

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

      4. distribute-lft-in 91.1%

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

      5. fma-define 91.1%

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

      6. +-commutative 91.1%

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

      7. fma-define 91.1%

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

      8. *-commutative 91.1%

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

      9. *-commutative 91.1%

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

      10. associate-*l* 91.1%

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

      11. associate-*l* 91.1%

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

      12. pow-sqr 91.1%

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

      13. pow-plus 91.1%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot \color{blue}{{x}^{\left(2 \cdot 2 + 1\right)}}\right)}{2} \]

      14. metadata-eval 91.1%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\left(\color{blue}{4} + 1\right)}\right)}{2} \]

      15. metadata-eval 91.1%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\color{blue}{5}}\right)}{2} \]

   5. Simplified 91.1%

      \[\leadsto \frac{\color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{5}\right)}}{2} \]

   6. Taylor expanded in x around 0 87.0%

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

      1. distribute-rgt-in 87.0%

         \[\leadsto \color{blue}{1 \cdot x + \left(0.16666666666666666 \cdot {x}^{2}\right) \cdot x} \]

      2. *-lft-identity 87.0%

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

      3. associate-*r* 87.0%

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

      4. unpow2 87.0%

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

      5. unpow3 87.0%

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

   8. Simplified 87.0%

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

   if 2.2000000000000002 < x

   1. Initial program 100.0%

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

   3. Taylor expanded in x around 0 100.0%

      \[\leadsto \frac{e^{x} - \color{blue}{\left(1 + -1 \cdot x\right)}}{2} \]
   4. Step-by-step derivation

      1. mul-1-neg 100.0%

         \[\leadsto \frac{e^{x} - \left(1 + \color{blue}{\left(-x\right)}\right)}{2} \]

      2. unsub-neg 100.0%

         \[\leadsto \frac{e^{x} - \color{blue}{\left(1 - x\right)}}{2} \]

   5. Simplified 100.0%

      \[\leadsto \frac{e^{x} - \color{blue}{\left(1 - x\right)}}{2} \]

   6. Taylor expanded in x around 0 100.0%

      \[\leadsto \frac{e^{x} - \color{blue}{1}}{2} \]
   7. Step-by-step derivation

      1. sub-neg 100.0%

         \[\leadsto \frac{\color{blue}{e^{x} + \left(-1\right)}}{2} \]

      2. metadata-eval 100.0%

         \[\leadsto \frac{e^{x} + \color{blue}{-1}}{2} \]

   8. Applied egg-rr 100.0%

      \[\leadsto \frac{\color{blue}{e^{x} + -1}}{2} \]
   9. Step-by-step derivation

      1. metadata-eval 100.0%

         \[\leadsto \frac{e^{x} + \color{blue}{\left(-1\right)}}{2} \]

      2. sub-neg 100.0%

         \[\leadsto \frac{\color{blue}{e^{x} - 1}}{2} \]

      3. expm1-define 100.0%

         \[\leadsto \frac{\color{blue}{\mathsf{expm1}\left(x\right)}}{2} \]

   10. Simplified 100.0%

       \[\leadsto \frac{\color{blue}{\mathsf{expm1}\left(x\right)}}{2} \]
3. Recombined 2 regimes into one program.
4. Add Preprocessing

Alternative 4: 99.6% accurate, 1.9× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \begin{array}{l} \mathbf{if}\;x\_m \leq 2.2:\\ \;\;\;\;x\_m \cdot \left(1 + \left(x\_m \cdot x\_m\right) \cdot 0.16666666666666666\right)\\ \mathbf{else}:\\ \;\;\;\;\frac{\mathsf{expm1}\left(x\_m\right)}{2}\\ \end{array} \end{array} \]

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 2.2)
    (* x_m (+ 1.0 (* (* x_m x_m) 0.16666666666666666)))
    (/ (expm1 x_m) 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 <= 2.2) {
		tmp = x_m * (1.0 + ((x_m * x_m) * 0.16666666666666666));
	} else {
		tmp = expm1(x_m) / 2.0;
	}
	return x_s * tmp;
}

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 <= 2.2) {
		tmp = x_m * (1.0 + ((x_m * x_m) * 0.16666666666666666));
	} else {
		tmp = Math.expm1(x_m) / 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 <= 2.2:
		tmp = x_m * (1.0 + ((x_m * x_m) * 0.16666666666666666))
	else:
		tmp = math.expm1(x_m) / 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 <= 2.2)
		tmp = Float64(x_m * Float64(1.0 + Float64(Float64(x_m * x_m) * 0.16666666666666666)));
	else
		tmp = Float64(expm1(x_m) / 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_] := N[(x$95$s * If[LessEqual[x$95$m, 2.2], N[(x$95$m * N[(1.0 + N[(N[(x$95$m * x$95$m), $MachinePrecision] * 0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[(Exp[x$95$m] - 1), $MachinePrecision] / 2.0), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if x < 2.2000000000000002

   1. Initial program 37.0%

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

   3. Taylor expanded in x around 0 91.1%

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

      1. distribute-lft-in 91.1%

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

      2. *-commutative 91.1%

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

      3. associate-+r+ 91.1%

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

      4. distribute-lft-in 91.1%

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

      5. fma-define 91.1%

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

      6. +-commutative 91.1%

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

      7. fma-define 91.1%

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

      8. *-commutative 91.1%

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

      9. *-commutative 91.1%

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

      10. associate-*l* 91.1%

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

      11. associate-*l* 91.1%

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

      12. pow-sqr 91.1%

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

      13. pow-plus 91.1%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot \color{blue}{{x}^{\left(2 \cdot 2 + 1\right)}}\right)}{2} \]

      14. metadata-eval 91.1%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\left(\color{blue}{4} + 1\right)}\right)}{2} \]

      15. metadata-eval 91.1%

          \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\color{blue}{5}}\right)}{2} \]

   5. Simplified 91.1%

      \[\leadsto \frac{\color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{5}\right)}}{2} \]

   6. Taylor expanded in x around 0 87.0%

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

      1. unpow2 91.1%

         \[\leadsto x + \mathsf{fma}\left(\color{blue}{x \cdot x}, 0.008333333333333333, 0.16666666666666666\right) \cdot {x}^{3} \]

   8. Applied egg-rr 87.0%

      \[\leadsto x \cdot \left(1 + 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)}\right) \]

   if 2.2000000000000002 < x

   1. Initial program 100.0%

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

   3. Taylor expanded in x around 0 100.0%

      \[\leadsto \frac{e^{x} - \color{blue}{\left(1 + -1 \cdot x\right)}}{2} \]
   4. Step-by-step derivation

      1. mul-1-neg 100.0%

         \[\leadsto \frac{e^{x} - \left(1 + \color{blue}{\left(-x\right)}\right)}{2} \]

      2. unsub-neg 100.0%

         \[\leadsto \frac{e^{x} - \color{blue}{\left(1 - x\right)}}{2} \]

   5. Simplified 100.0%

      \[\leadsto \frac{e^{x} - \color{blue}{\left(1 - x\right)}}{2} \]

   6. Taylor expanded in x around 0 100.0%

      \[\leadsto \frac{e^{x} - \color{blue}{1}}{2} \]
   7. Step-by-step derivation

      1. sub-neg 100.0%

         \[\leadsto \frac{\color{blue}{e^{x} + \left(-1\right)}}{2} \]

      2. metadata-eval 100.0%

         \[\leadsto \frac{e^{x} + \color{blue}{-1}}{2} \]

   8. Applied egg-rr 100.0%

      \[\leadsto \frac{\color{blue}{e^{x} + -1}}{2} \]
   9. Step-by-step derivation

      1. metadata-eval 100.0%

         \[\leadsto \frac{e^{x} + \color{blue}{\left(-1\right)}}{2} \]

      2. sub-neg 100.0%

         \[\leadsto \frac{\color{blue}{e^{x} - 1}}{2} \]

      3. expm1-define 100.0%

         \[\leadsto \frac{\color{blue}{\mathsf{expm1}\left(x\right)}}{2} \]

   10. Simplified 100.0%

       \[\leadsto \frac{\color{blue}{\mathsf{expm1}\left(x\right)}}{2} \]
3. Recombined 2 regimes into one program.

4. Final simplification 89.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;x \leq 2.2:\\ \;\;\;\;x \cdot \left(1 + \left(x \cdot x\right) \cdot 0.16666666666666666\right)\\ \mathbf{else}:\\ \;\;\;\;\frac{\mathsf{expm1}\left(x\right)}{2}\\ \end{array} \]
5. Add Preprocessing

Alternative 5: 86.9% accurate, 13.7× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \left(x\_m \cdot \left(1 + x\_m \cdot \left(0.25 + x\_m \cdot \left(0.08333333333333333 + x\_m \cdot 0.020833333333333332\right)\right)\right)\right) \end{array} \]

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
   (+
    1.0
    (*
     x_m
     (+ 0.25 (* x_m (+ 0.08333333333333333 (* x_m 0.020833333333333332)))))))))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	return x_s * (x_m * (1.0 + (x_m * (0.25 + (x_m * (0.08333333333333333 + (x_m * 0.020833333333333332)))))));
}

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 * (1.0d0 + (x_m * (0.25d0 + (x_m * (0.08333333333333333d0 + (x_m * 0.020833333333333332d0)))))))
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 * (1.0 + (x_m * (0.25 + (x_m * (0.08333333333333333 + (x_m * 0.020833333333333332)))))));
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	return x_s * (x_m * (1.0 + (x_m * (0.25 + (x_m * (0.08333333333333333 + (x_m * 0.020833333333333332)))))))

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * Float64(x_m * Float64(1.0 + Float64(x_m * Float64(0.25 + Float64(x_m * Float64(0.08333333333333333 + Float64(x_m * 0.020833333333333332))))))))
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 * (1.0 + (x_m * (0.25 + (x_m * (0.08333333333333333 + (x_m * 0.020833333333333332)))))));
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[(x$95$m * N[(1.0 + N[(x$95$m * N[(0.25 + N[(x$95$m * N[(0.08333333333333333 + N[(x$95$m * 0.020833333333333332), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 50.6%

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

3. Taylor expanded in x around 0 27.1%

   \[\leadsto \frac{e^{x} - \color{blue}{\left(1 + -1 \cdot x\right)}}{2} \]
4. Step-by-step derivation

   1. mul-1-neg 27.1%

      \[\leadsto \frac{e^{x} - \left(1 + \color{blue}{\left(-x\right)}\right)}{2} \]

   2. unsub-neg 27.1%

      \[\leadsto \frac{e^{x} - \color{blue}{\left(1 - x\right)}}{2} \]

5. Simplified 27.1%

   \[\leadsto \frac{e^{x} - \color{blue}{\left(1 - x\right)}}{2} \]

6. Taylor expanded in x around 0 71.0%

   \[\leadsto \color{blue}{x \cdot \left(1 + x \cdot \left(0.25 + x \cdot \left(0.08333333333333333 + 0.020833333333333332 \cdot x\right)\right)\right)} \]
7. Step-by-step derivation

   1. *-commutative 71.0%

      \[\leadsto x \cdot \left(1 + x \cdot \left(0.25 + x \cdot \left(0.08333333333333333 + \color{blue}{x \cdot 0.020833333333333332}\right)\right)\right) \]

8. Simplified 71.0%

   \[\leadsto \color{blue}{x \cdot \left(1 + x \cdot \left(0.25 + x \cdot \left(0.08333333333333333 + x \cdot 0.020833333333333332\right)\right)\right)} \]
9. Add Preprocessing

Alternative 6: 83.9% accurate, 22.9× speedup

Math

\[\begin{array}{l} x\_m = \left|x\right| \\ x\_s = \mathsf{copysign}\left(1, x\right) \\ x\_s \cdot \left(x\_m \cdot \left(1 + \left(x\_m \cdot x\_m\right) \cdot 0.16666666666666666\right)\right) \end{array} \]

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 (+ 1.0 (* (* x_m x_m) 0.16666666666666666)))))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	return x_s * (x_m * (1.0 + ((x_m * x_m) * 0.16666666666666666)));
}

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 * (1.0d0 + ((x_m * x_m) * 0.16666666666666666d0)))
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 * (1.0 + ((x_m * x_m) * 0.16666666666666666)));
}

Python

x\_m = math.fabs(x)
x\_s = math.copysign(1.0, x)
def code(x_s, x_m):
	return x_s * (x_m * (1.0 + ((x_m * x_m) * 0.16666666666666666)))

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * Float64(x_m * Float64(1.0 + Float64(Float64(x_m * x_m) * 0.16666666666666666))))
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 * (1.0 + ((x_m * x_m) * 0.16666666666666666)));
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[(x$95$m * N[(1.0 + N[(N[(x$95$m * x$95$m), $MachinePrecision] * 0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 50.6%

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

3. Taylor expanded in x around 0 90.4%

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

   1. distribute-lft-in 90.4%

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

   2. *-commutative 90.4%

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

   3. associate-+r+ 90.4%

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

   4. distribute-lft-in 90.4%

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

   5. fma-define 90.4%

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

   6. +-commutative 90.4%

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

   7. fma-define 90.4%

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

   8. *-commutative 90.4%

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

   9. *-commutative 90.4%

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

   10. associate-*l* 90.4%

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

   11. associate-*l* 90.4%

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

   12. pow-sqr 90.4%

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

   13. pow-plus 90.4%

       \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot \color{blue}{{x}^{\left(2 \cdot 2 + 1\right)}}\right)}{2} \]

   14. metadata-eval 90.4%

       \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\left(\color{blue}{4} + 1\right)}\right)}{2} \]

   15. metadata-eval 90.4%

       \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\color{blue}{5}}\right)}{2} \]

5. Simplified 90.4%

   \[\leadsto \frac{\color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{5}\right)}}{2} \]

6. Taylor expanded in x around 0 83.9%

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

   1. unpow2 90.4%

      \[\leadsto x + \mathsf{fma}\left(\color{blue}{x \cdot x}, 0.008333333333333333, 0.16666666666666666\right) \cdot {x}^{3} \]

8. Applied egg-rr 83.9%

   \[\leadsto x \cdot \left(1 + 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)}\right) \]

9. Final simplification 83.9%

   \[\leadsto x \cdot \left(1 + \left(x \cdot x\right) \cdot 0.16666666666666666\right) \]
10. Add Preprocessing

Alternative 7: 75.5% accurate, 29.4× speedup

Math

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

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 (+ 1.0 (* x_m 0.25)))))

C

x\_m = fabs(x);
x\_s = copysign(1.0, x);
double code(double x_s, double x_m) {
	return x_s * (x_m * (1.0 + (x_m * 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 * (x_m * (1.0d0 + (x_m * 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 * (x_m * (1.0 + (x_m * 0.25)));
}

Python

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

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * Float64(x_m * Float64(1.0 + Float64(x_m * 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 * (x_m * (1.0 + (x_m * 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 * N[(x$95$m * N[(1.0 + N[(x$95$m * 0.25), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 50.6%

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

3. Taylor expanded in x around 0 27.1%

   \[\leadsto \frac{e^{x} - \color{blue}{\left(1 + -1 \cdot x\right)}}{2} \]
4. Step-by-step derivation

   1. mul-1-neg 27.1%

      \[\leadsto \frac{e^{x} - \left(1 + \color{blue}{\left(-x\right)}\right)}{2} \]

   2. unsub-neg 27.1%

      \[\leadsto \frac{e^{x} - \color{blue}{\left(1 - x\right)}}{2} \]

5. Simplified 27.1%

   \[\leadsto \frac{e^{x} - \color{blue}{\left(1 - x\right)}}{2} \]

6. Taylor expanded in x around 0 64.0%

   \[\leadsto \color{blue}{x \cdot \left(1 + 0.25 \cdot x\right)} \]
7. Step-by-step derivation

   1. *-commutative 64.0%

      \[\leadsto x \cdot \left(1 + \color{blue}{x \cdot 0.25}\right) \]

8. Simplified 64.0%

   \[\leadsto \color{blue}{x \cdot \left(1 + x \cdot 0.25\right)} \]
9. Add Preprocessing

Alternative 8: 52.4% accurate, 206.0× speedup

Math

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

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))

C

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

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
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;
}

Python

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

Julia

x\_m = abs(x)
x\_s = copysign(1.0, x)
function code(x_s, x_m)
	return Float64(x_s * x_m)
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;
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 * x$95$m), $MachinePrecision]

Derivation

1. Initial program 50.6%

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

3. Taylor expanded in x around 0 90.4%

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

   1. distribute-lft-in 90.4%

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

   2. *-commutative 90.4%

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

   3. associate-+r+ 90.4%

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

   4. distribute-lft-in 90.4%

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

   5. fma-define 90.4%

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

   6. +-commutative 90.4%

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

   7. fma-define 90.4%

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

   8. *-commutative 90.4%

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

   9. *-commutative 90.4%

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

   10. associate-*l* 90.4%

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

   11. associate-*l* 90.4%

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

   12. pow-sqr 90.4%

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

   13. pow-plus 90.4%

       \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot \color{blue}{{x}^{\left(2 \cdot 2 + 1\right)}}\right)}{2} \]

   14. metadata-eval 90.4%

       \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\left(\color{blue}{4} + 1\right)}\right)}{2} \]

   15. metadata-eval 90.4%

       \[\leadsto \frac{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{\color{blue}{5}}\right)}{2} \]

5. Simplified 90.4%

   \[\leadsto \frac{\color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(0.3333333333333333, {x}^{2}, 2\right), 0.016666666666666666 \cdot {x}^{5}\right)}}{2} \]

6. Taylor expanded in x around 0 56.2%

   \[\leadsto \color{blue}{x} \]
7. Add Preprocessing

Reproduce

herbie shell --seed 2024188 
(FPCore (x)
  :name "Hyperbolic sine"
  :precision binary64
  (/ (- (exp x) (exp (- x))) 2.0))