Kahan's exp quotient

Percentage Accurate: 53.3% → 100.0%

Time: 9.8s

Alternatives: 16

Speedup: 8.8×

• 24.8% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

\[\begin{array}{l} \\ \frac{e^{x} - 1}{x} \end{array} \]

FPCore

(FPCore (x) :precision binary64 (/ (- (exp x) 1.0) x))

C

double code(double x) {
	return (exp(x) - 1.0) / x;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (exp(x) - 1.0d0) / x
end function

Java

public static double code(double x) {
	return (Math.exp(x) - 1.0) / x;
}

Python

def code(x):
	return (math.exp(x) - 1.0) / x

Julia

function code(x)
	return Float64(Float64(exp(x) - 1.0) / x)
end

MATLAB

function tmp = code(x)
	tmp = (exp(x) - 1.0) / x;
end

Wolfram

code[x_] := N[(N[(N[Exp[x], $MachinePrecision] - 1.0), $MachinePrecision] / x), $MachinePrecision]

Initial Program: 53.3% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{e^{x} - 1}{x} \end{array} \]

FPCore

(FPCore (x) :precision binary64 (/ (- (exp x) 1.0) x))

C

double code(double x) {
	return (exp(x) - 1.0) / x;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (exp(x) - 1.0d0) / x
end function

Java

public static double code(double x) {
	return (Math.exp(x) - 1.0) / x;
}

Python

def code(x):
	return (math.exp(x) - 1.0) / x

Julia

function code(x)
	return Float64(Float64(exp(x) - 1.0) / x)
end

MATLAB

function tmp = code(x)
	tmp = (exp(x) - 1.0) / x;
end

Wolfram

code[x_] := N[(N[(N[Exp[x], $MachinePrecision] - 1.0), $MachinePrecision] / x), $MachinePrecision]

Alternative 1: 100.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{\mathsf{expm1}\left(x\right)}{x} \end{array} \]

FPCore

(FPCore (x) :precision binary64 (/ (expm1 x) x))

C

double code(double x) {
	return expm1(x) / x;
}

Java

public static double code(double x) {
	return Math.expm1(x) / x;
}

Python

def code(x):
	return math.expm1(x) / x

Julia

function code(x)
	return Float64(expm1(x) / x)
end

Wolfram

code[x_] := N[(N[(Exp[x] - 1), $MachinePrecision] / x), $MachinePrecision]

Derivation

1. Initial program 49.8%

   \[\frac{e^{x} - 1}{x} \]
2. Add Preprocessing
3. Step-by-step derivation

   1. lift--.f64 N/A

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

   2. lift-exp.f64 N/A

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

   3. lower-expm1.f64 100.0

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

4. Applied rewrites 100.0%

   \[\leadsto \frac{\color{blue}{\mathsf{expm1}\left(x\right)}}{x} \]
5. Add Preprocessing

Alternative 2: 70.8% accurate, 0.7× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{-0.027777777777777776}{\mathsf{fma}\left(x, 0.041666666666666664, -0.16666666666666666\right)}, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;\frac{\mathsf{fma}\left(x \cdot \left(x \cdot x\right), \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.125\right), 0.125\right), 1\right)}{1}\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (if (<= (/ (+ (exp x) -1.0) x) 2.0)
   (fma
    x
    (fma
     x
     (/
      -0.027777777777777776
      (fma x 0.041666666666666664 -0.16666666666666666))
     0.5)
    1.0)
   (/
    (fma (* x (* x x)) (fma x (fma x 0.041666666666666664 0.125) 0.125) 1.0)
    1.0)))

C

double code(double x) {
	double tmp;
	if (((exp(x) + -1.0) / x) <= 2.0) {
		tmp = fma(x, fma(x, (-0.027777777777777776 / fma(x, 0.041666666666666664, -0.16666666666666666)), 0.5), 1.0);
	} else {
		tmp = fma((x * (x * x)), fma(x, fma(x, 0.041666666666666664, 0.125), 0.125), 1.0) / 1.0;
	}
	return tmp;
}

Julia

function code(x)
	tmp = 0.0
	if (Float64(Float64(exp(x) + -1.0) / x) <= 2.0)
		tmp = fma(x, fma(x, Float64(-0.027777777777777776 / fma(x, 0.041666666666666664, -0.16666666666666666)), 0.5), 1.0);
	else
		tmp = Float64(fma(Float64(x * Float64(x * x)), fma(x, fma(x, 0.041666666666666664, 0.125), 0.125), 1.0) / 1.0);
	end
	return tmp
end

Wolfram

code[x_] := If[LessEqual[N[(N[(N[Exp[x], $MachinePrecision] + -1.0), $MachinePrecision] / x), $MachinePrecision], 2.0], N[(x * N[(x * N[(-0.027777777777777776 / N[(x * 0.041666666666666664 + -0.16666666666666666), $MachinePrecision]), $MachinePrecision] + 0.5), $MachinePrecision] + 1.0), $MachinePrecision], N[(N[(N[(x * N[(x * x), $MachinePrecision]), $MachinePrecision] * N[(x * N[(x * 0.041666666666666664 + 0.125), $MachinePrecision] + 0.125), $MachinePrecision] + 1.0), $MachinePrecision] / 1.0), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x) < 2

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative N/A

         \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

      4. lower-fma.f64 N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

      5. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

      6. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

      7. lower-fma.f64 71.3

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

   5. Applied rewrites 71.3%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]
   6. Step-by-step derivation

   7. Applied rewrites 71.3%

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{\mathsf{fma}\left(x \cdot x, 0.001736111111111111, -0.027777777777777776\right)}{\color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, -0.16666666666666666\right)}}, 0.5\right), 1\right) \]

   8. Taylor expanded in x around 0

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{\frac{-1}{36}}{\mathsf{fma}\left(\color{blue}{x}, \frac{1}{24}, \frac{-1}{6}\right)}, \frac{1}{2}\right), 1\right) \]
   9. Step-by-step derivation

   10. Applied rewrites 72.1%

       \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{-0.027777777777777776}{\mathsf{fma}\left(\color{blue}{x}, 0.041666666666666664, -0.16666666666666666\right)}, 0.5\right), 1\right) \]

   if 2 < (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x)

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 45.7

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 45.7%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]
   6. Step-by-step derivation

   7. Applied rewrites 12.2%

      \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right), 1\right)}{\color{blue}{1 + \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), -1\right)}} \]

   8. Taylor expanded in x around 0

      \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right), \left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right)\right), 1\right)}{1} \]
   9. Step-by-step derivation

   10. Applied rewrites 81.4%

       \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right), 1\right)}{1} \]

   11. Taylor expanded in x around 0

       \[\leadsto \frac{1 + {x}^{3} \cdot \left(\frac{1}{8} + x \cdot \left(\frac{1}{8} + \frac{1}{24} \cdot x\right)\right)}{1} \]
   12. Step-by-step derivation

   13. Applied rewrites 78.3%

       \[\leadsto \frac{\mathsf{fma}\left(x \cdot \left(x \cdot x\right), \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.125\right), 0.125\right), 1\right)}{1} \]
3. Recombined 2 regimes into one program.

4. Final simplification 73.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{-0.027777777777777776}{\mathsf{fma}\left(x, 0.041666666666666664, -0.16666666666666666\right)}, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;\frac{\mathsf{fma}\left(x \cdot \left(x \cdot x\right), \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.125\right), 0.125\right), 1\right)}{1}\\ \end{array} \]
5. Add Preprocessing

Alternative 3: 67.4% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x \cdot x, 0.16666666666666666, \mathsf{fma}\left(x, 0.5, 1\right)\right)\\ \mathbf{else}:\\ \;\;\;\;x \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (if (<= (/ (+ (exp x) -1.0) x) 2.0)
   (fma (* x x) 0.16666666666666666 (fma x 0.5 1.0))
   (* x (fma x (fma x 0.041666666666666664 0.16666666666666666) 0.5))))

C

double code(double x) {
	double tmp;
	if (((exp(x) + -1.0) / x) <= 2.0) {
		tmp = fma((x * x), 0.16666666666666666, fma(x, 0.5, 1.0));
	} else {
		tmp = x * fma(x, fma(x, 0.041666666666666664, 0.16666666666666666), 0.5);
	}
	return tmp;
}

Julia

function code(x)
	tmp = 0.0
	if (Float64(Float64(exp(x) + -1.0) / x) <= 2.0)
		tmp = fma(Float64(x * x), 0.16666666666666666, fma(x, 0.5, 1.0));
	else
		tmp = Float64(x * fma(x, fma(x, 0.041666666666666664, 0.16666666666666666), 0.5));
	end
	return tmp
end

Wolfram

code[x_] := If[LessEqual[N[(N[(N[Exp[x], $MachinePrecision] + -1.0), $MachinePrecision] / x), $MachinePrecision], 2.0], N[(N[(x * x), $MachinePrecision] * 0.16666666666666666 + N[(x * 0.5 + 1.0), $MachinePrecision]), $MachinePrecision], N[(x * N[(x * N[(x * 0.041666666666666664 + 0.16666666666666666), $MachinePrecision] + 0.5), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x) < 2

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 71.6

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 71.6%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]
   6. Step-by-step derivation

   7. Applied rewrites 71.6%

      \[\leadsto \mathsf{fma}\left(x \cdot x, \color{blue}{0.16666666666666666}, \mathsf{fma}\left(x, 0.5, 1\right)\right) \]

   if 2 < (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x)

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative N/A

         \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

      4. lower-fma.f64 N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

      5. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

      6. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

      7. lower-fma.f64 67.2

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

   5. Applied rewrites 67.2%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]

   6. Taylor expanded in x around inf

      \[\leadsto {x}^{3} \cdot \color{blue}{\left(\frac{1}{24} + \left(\frac{\frac{1}{2}}{{x}^{2}} + \frac{1}{6} \cdot \frac{1}{x}\right)\right)} \]
   7. Step-by-step derivation

   8. Applied rewrites 67.2%

      \[\leadsto x \cdot \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 70.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x \cdot x, 0.16666666666666666, \mathsf{fma}\left(x, 0.5, 1\right)\right)\\ \mathbf{else}:\\ \;\;\;\;x \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 4: 67.4% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;x \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (if (<= (/ (+ (exp x) -1.0) x) 2.0)
   (fma x (fma x 0.16666666666666666 0.5) 1.0)
   (* x (fma x (fma x 0.041666666666666664 0.16666666666666666) 0.5))))

C

double code(double x) {
	double tmp;
	if (((exp(x) + -1.0) / x) <= 2.0) {
		tmp = fma(x, fma(x, 0.16666666666666666, 0.5), 1.0);
	} else {
		tmp = x * fma(x, fma(x, 0.041666666666666664, 0.16666666666666666), 0.5);
	}
	return tmp;
}

Julia

function code(x)
	tmp = 0.0
	if (Float64(Float64(exp(x) + -1.0) / x) <= 2.0)
		tmp = fma(x, fma(x, 0.16666666666666666, 0.5), 1.0);
	else
		tmp = Float64(x * fma(x, fma(x, 0.041666666666666664, 0.16666666666666666), 0.5));
	end
	return tmp
end

Wolfram

code[x_] := If[LessEqual[N[(N[(N[Exp[x], $MachinePrecision] + -1.0), $MachinePrecision] / x), $MachinePrecision], 2.0], N[(x * N[(x * 0.16666666666666666 + 0.5), $MachinePrecision] + 1.0), $MachinePrecision], N[(x * N[(x * N[(x * 0.041666666666666664 + 0.16666666666666666), $MachinePrecision] + 0.5), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x) < 2

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 71.6

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 71.6%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]

   if 2 < (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x)

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative N/A

         \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

      4. lower-fma.f64 N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

      5. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

      6. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

      7. lower-fma.f64 67.2

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

   5. Applied rewrites 67.2%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]

   6. Taylor expanded in x around inf

      \[\leadsto {x}^{3} \cdot \color{blue}{\left(\frac{1}{24} + \left(\frac{\frac{1}{2}}{{x}^{2}} + \frac{1}{6} \cdot \frac{1}{x}\right)\right)} \]
   7. Step-by-step derivation

   8. Applied rewrites 67.2%

      \[\leadsto x \cdot \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 70.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;x \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 5: 67.4% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;x \cdot \left(x \cdot \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (if (<= (/ (+ (exp x) -1.0) x) 2.0)
   (fma x (fma x 0.16666666666666666 0.5) 1.0)
   (* x (* x (fma x 0.041666666666666664 0.16666666666666666)))))

C

double code(double x) {
	double tmp;
	if (((exp(x) + -1.0) / x) <= 2.0) {
		tmp = fma(x, fma(x, 0.16666666666666666, 0.5), 1.0);
	} else {
		tmp = x * (x * fma(x, 0.041666666666666664, 0.16666666666666666));
	}
	return tmp;
}

Julia

function code(x)
	tmp = 0.0
	if (Float64(Float64(exp(x) + -1.0) / x) <= 2.0)
		tmp = fma(x, fma(x, 0.16666666666666666, 0.5), 1.0);
	else
		tmp = Float64(x * Float64(x * fma(x, 0.041666666666666664, 0.16666666666666666)));
	end
	return tmp
end

Wolfram

code[x_] := If[LessEqual[N[(N[(N[Exp[x], $MachinePrecision] + -1.0), $MachinePrecision] / x), $MachinePrecision], 2.0], N[(x * N[(x * 0.16666666666666666 + 0.5), $MachinePrecision] + 1.0), $MachinePrecision], N[(x * N[(x * N[(x * 0.041666666666666664 + 0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x) < 2

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 71.6

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 71.6%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]

   if 2 < (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x)

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative N/A

         \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

      4. lower-fma.f64 N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

      5. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

      6. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

      7. lower-fma.f64 67.2

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

   5. Applied rewrites 67.2%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]

   6. Taylor expanded in x around inf

      \[\leadsto {x}^{3} \cdot \color{blue}{\left(\frac{1}{24} + \frac{1}{6} \cdot \frac{1}{x}\right)} \]
   7. Step-by-step derivation

   8. Applied rewrites 67.2%

      \[\leadsto x \cdot \color{blue}{\left(x \cdot \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 70.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;x \cdot \left(x \cdot \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 6: 67.4% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;0.041666666666666664 \cdot \left(x \cdot \left(x \cdot x\right)\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (if (<= (/ (+ (exp x) -1.0) x) 2.0)
   (fma x (fma x 0.16666666666666666 0.5) 1.0)
   (* 0.041666666666666664 (* x (* x x)))))

C

double code(double x) {
	double tmp;
	if (((exp(x) + -1.0) / x) <= 2.0) {
		tmp = fma(x, fma(x, 0.16666666666666666, 0.5), 1.0);
	} else {
		tmp = 0.041666666666666664 * (x * (x * x));
	}
	return tmp;
}

Julia

function code(x)
	tmp = 0.0
	if (Float64(Float64(exp(x) + -1.0) / x) <= 2.0)
		tmp = fma(x, fma(x, 0.16666666666666666, 0.5), 1.0);
	else
		tmp = Float64(0.041666666666666664 * Float64(x * Float64(x * x)));
	end
	return tmp
end

Wolfram

code[x_] := If[LessEqual[N[(N[(N[Exp[x], $MachinePrecision] + -1.0), $MachinePrecision] / x), $MachinePrecision], 2.0], N[(x * N[(x * 0.16666666666666666 + 0.5), $MachinePrecision] + 1.0), $MachinePrecision], N[(0.041666666666666664 * N[(x * N[(x * x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x) < 2

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 71.6

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 71.6%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]

   if 2 < (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x)

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative N/A

         \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

      4. lower-fma.f64 N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

      5. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

      6. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

      7. lower-fma.f64 67.2

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

   5. Applied rewrites 67.2%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]

   6. Taylor expanded in x around inf

      \[\leadsto \frac{1}{24} \cdot \color{blue}{{x}^{3}} \]
   7. Step-by-step derivation

   8. Applied rewrites 67.2%

      \[\leadsto 0.041666666666666664 \cdot \color{blue}{\left(x \cdot \left(x \cdot x\right)\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 70.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;0.041666666666666664 \cdot \left(x \cdot \left(x \cdot x\right)\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 7: 63.0% accurate, 0.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (if (<= (/ (+ (exp x) -1.0) x) 2.0)
   1.0
   (* x (fma x 0.16666666666666666 0.5))))

C

double code(double x) {
	double tmp;
	if (((exp(x) + -1.0) / x) <= 2.0) {
		tmp = 1.0;
	} else {
		tmp = x * fma(x, 0.16666666666666666, 0.5);
	}
	return tmp;
}

Julia

function code(x)
	tmp = 0.0
	if (Float64(Float64(exp(x) + -1.0) / x) <= 2.0)
		tmp = 1.0;
	else
		tmp = Float64(x * fma(x, 0.16666666666666666, 0.5));
	end
	return tmp
end

Wolfram

code[x_] := If[LessEqual[N[(N[(N[Exp[x], $MachinePrecision] + -1.0), $MachinePrecision] / x), $MachinePrecision], 2.0], 1.0, N[(x * N[(x * 0.16666666666666666 + 0.5), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x) < 2

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1} \]
   4. Step-by-step derivation

   5. Applied rewrites 70.6%

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

   if 2 < (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x)

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 45.7

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 45.7%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]

   6. Taylor expanded in x around inf

      \[\leadsto {x}^{2} \cdot \color{blue}{\left(\frac{1}{6} + \frac{1}{2} \cdot \frac{1}{x}\right)} \]
   7. Step-by-step derivation

   8. Applied rewrites 45.7%

      \[\leadsto x \cdot \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 64.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 8: 63.0% accurate, 0.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\frac{e^{x} + -1}{x} \leq 2:\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;0.16666666666666666 \cdot \left(x \cdot x\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (if (<= (/ (+ (exp x) -1.0) x) 2.0) 1.0 (* 0.16666666666666666 (* x x))))

C

double code(double x) {
	double tmp;
	if (((exp(x) + -1.0) / x) <= 2.0) {
		tmp = 1.0;
	} else {
		tmp = 0.16666666666666666 * (x * x);
	}
	return tmp;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    real(8) :: tmp
    if (((exp(x) + (-1.0d0)) / x) <= 2.0d0) then
        tmp = 1.0d0
    else
        tmp = 0.16666666666666666d0 * (x * x)
    end if
    code = tmp
end function

Java

public static double code(double x) {
	double tmp;
	if (((Math.exp(x) + -1.0) / x) <= 2.0) {
		tmp = 1.0;
	} else {
		tmp = 0.16666666666666666 * (x * x);
	}
	return tmp;
}

Python

def code(x):
	tmp = 0
	if ((math.exp(x) + -1.0) / x) <= 2.0:
		tmp = 1.0
	else:
		tmp = 0.16666666666666666 * (x * x)
	return tmp

Julia

function code(x)
	tmp = 0.0
	if (Float64(Float64(exp(x) + -1.0) / x) <= 2.0)
		tmp = 1.0;
	else
		tmp = Float64(0.16666666666666666 * Float64(x * x));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x)
	tmp = 0.0;
	if (((exp(x) + -1.0) / x) <= 2.0)
		tmp = 1.0;
	else
		tmp = 0.16666666666666666 * (x * x);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_] := If[LessEqual[N[(N[(N[Exp[x], $MachinePrecision] + -1.0), $MachinePrecision] / x), $MachinePrecision], 2.0], 1.0, N[(0.16666666666666666 * N[(x * x), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x) < 2

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1} \]
   4. Step-by-step derivation

   5. Applied rewrites 70.6%

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

   if 2 < (/.f64 (-.f64 (exp.f64 x) #s(literal 1 binary64)) x)

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 45.7

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 45.7%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]

   6. Taylor expanded in x around inf

      \[\leadsto \frac{1}{6} \cdot \color{blue}{{x}^{2}} \]
   7. Step-by-step derivation

   8. Applied rewrites 45.7%

      \[\leadsto 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 64.7%

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

Alternative 9: 71.5% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\\ \mathbf{if}\;x \leq 3.85:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{-0.027777777777777776}{\mathsf{fma}\left(x, 0.041666666666666664, -0.16666666666666666\right)}, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;\frac{\mathsf{fma}\left(t\_0, t\_0 \cdot t\_0, 1\right)}{1}\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (let* ((t_0 (* x (fma x 0.16666666666666666 0.5))))
   (if (<= x 3.85)
     (fma
      x
      (fma
       x
       (/
        -0.027777777777777776
        (fma x 0.041666666666666664 -0.16666666666666666))
       0.5)
      1.0)
     (/ (fma t_0 (* t_0 t_0) 1.0) 1.0))))

C

double code(double x) {
	double t_0 = x * fma(x, 0.16666666666666666, 0.5);
	double tmp;
	if (x <= 3.85) {
		tmp = fma(x, fma(x, (-0.027777777777777776 / fma(x, 0.041666666666666664, -0.16666666666666666)), 0.5), 1.0);
	} else {
		tmp = fma(t_0, (t_0 * t_0), 1.0) / 1.0;
	}
	return tmp;
}

Julia

function code(x)
	t_0 = Float64(x * fma(x, 0.16666666666666666, 0.5))
	tmp = 0.0
	if (x <= 3.85)
		tmp = fma(x, fma(x, Float64(-0.027777777777777776 / fma(x, 0.041666666666666664, -0.16666666666666666)), 0.5), 1.0);
	else
		tmp = Float64(fma(t_0, Float64(t_0 * t_0), 1.0) / 1.0);
	end
	return tmp
end

Wolfram

code[x_] := Block[{t$95$0 = N[(x * N[(x * 0.16666666666666666 + 0.5), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[x, 3.85], N[(x * N[(x * N[(-0.027777777777777776 / N[(x * 0.041666666666666664 + -0.16666666666666666), $MachinePrecision]), $MachinePrecision] + 0.5), $MachinePrecision] + 1.0), $MachinePrecision], N[(N[(t$95$0 * N[(t$95$0 * t$95$0), $MachinePrecision] + 1.0), $MachinePrecision] / 1.0), $MachinePrecision]]]

Derivation

1. Split input into 2 regimes

2. if x < 3.85000000000000009

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative N/A

         \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

      4. lower-fma.f64 N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

      5. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

      6. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

      7. lower-fma.f64 71.3

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

   5. Applied rewrites 71.3%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]
   6. Step-by-step derivation

   7. Applied rewrites 71.3%

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{\mathsf{fma}\left(x \cdot x, 0.001736111111111111, -0.027777777777777776\right)}{\color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, -0.16666666666666666\right)}}, 0.5\right), 1\right) \]

   8. Taylor expanded in x around 0

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{\frac{-1}{36}}{\mathsf{fma}\left(\color{blue}{x}, \frac{1}{24}, \frac{-1}{6}\right)}, \frac{1}{2}\right), 1\right) \]
   9. Step-by-step derivation

   10. Applied rewrites 72.1%

       \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{-0.027777777777777776}{\mathsf{fma}\left(\color{blue}{x}, 0.041666666666666664, -0.16666666666666666\right)}, 0.5\right), 1\right) \]

   if 3.85000000000000009 < x

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 45.7

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 45.7%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]
   6. Step-by-step derivation

   7. Applied rewrites 12.2%

      \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right), 1\right)}{\color{blue}{1 + \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), -1\right)}} \]

   8. Taylor expanded in x around 0

      \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right), \left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right)\right), 1\right)}{1} \]
   9. Step-by-step derivation

   10. Applied rewrites 81.4%

       \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right), 1\right)}{1} \]
3. Recombined 2 regimes into one program.
4. Add Preprocessing

Alternative 10: 71.5% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\\ \mathbf{if}\;x \leq 3.8:\\ \;\;\;\;\mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{-0.027777777777777776}{\mathsf{fma}\left(x, 0.041666666666666664, -0.16666666666666666\right)}, 0.5\right), 1\right)\\ \mathbf{else}:\\ \;\;\;\;\frac{\mathsf{fma}\left(x \cdot \left(x \cdot 0.16666666666666666\right), t\_0 \cdot t\_0, 1\right)}{1}\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (let* ((t_0 (* x (fma x 0.16666666666666666 0.5))))
   (if (<= x 3.8)
     (fma
      x
      (fma
       x
       (/
        -0.027777777777777776
        (fma x 0.041666666666666664 -0.16666666666666666))
       0.5)
      1.0)
     (/ (fma (* x (* x 0.16666666666666666)) (* t_0 t_0) 1.0) 1.0))))

C

double code(double x) {
	double t_0 = x * fma(x, 0.16666666666666666, 0.5);
	double tmp;
	if (x <= 3.8) {
		tmp = fma(x, fma(x, (-0.027777777777777776 / fma(x, 0.041666666666666664, -0.16666666666666666)), 0.5), 1.0);
	} else {
		tmp = fma((x * (x * 0.16666666666666666)), (t_0 * t_0), 1.0) / 1.0;
	}
	return tmp;
}

Julia

function code(x)
	t_0 = Float64(x * fma(x, 0.16666666666666666, 0.5))
	tmp = 0.0
	if (x <= 3.8)
		tmp = fma(x, fma(x, Float64(-0.027777777777777776 / fma(x, 0.041666666666666664, -0.16666666666666666)), 0.5), 1.0);
	else
		tmp = Float64(fma(Float64(x * Float64(x * 0.16666666666666666)), Float64(t_0 * t_0), 1.0) / 1.0);
	end
	return tmp
end

Wolfram

code[x_] := Block[{t$95$0 = N[(x * N[(x * 0.16666666666666666 + 0.5), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[x, 3.8], N[(x * N[(x * N[(-0.027777777777777776 / N[(x * 0.041666666666666664 + -0.16666666666666666), $MachinePrecision]), $MachinePrecision] + 0.5), $MachinePrecision] + 1.0), $MachinePrecision], N[(N[(N[(x * N[(x * 0.16666666666666666), $MachinePrecision]), $MachinePrecision] * N[(t$95$0 * t$95$0), $MachinePrecision] + 1.0), $MachinePrecision] / 1.0), $MachinePrecision]]]

Derivation

1. Split input into 2 regimes

2. if x < 3.7999999999999998

   1. Initial program 34.1%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

      \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative N/A

         \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

      4. lower-fma.f64 N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

      5. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

      6. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

      7. lower-fma.f64 71.3

         \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

   5. Applied rewrites 71.3%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]
   6. Step-by-step derivation

   7. Applied rewrites 71.3%

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{\mathsf{fma}\left(x \cdot x, 0.001736111111111111, -0.027777777777777776\right)}{\color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, -0.16666666666666666\right)}}, 0.5\right), 1\right) \]

   8. Taylor expanded in x around 0

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{\frac{-1}{36}}{\mathsf{fma}\left(\color{blue}{x}, \frac{1}{24}, \frac{-1}{6}\right)}, \frac{1}{2}\right), 1\right) \]
   9. Step-by-step derivation

   10. Applied rewrites 72.1%

       \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \frac{-0.027777777777777776}{\mathsf{fma}\left(\color{blue}{x}, 0.041666666666666664, -0.16666666666666666\right)}, 0.5\right), 1\right) \]

   if 3.7999999999999998 < x

   1. Initial program 100.0%

      \[\frac{e^{x} - 1}{x} \]
   2. Add Preprocessing

   3. Taylor expanded in x around 0

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

      1. +-commutative N/A

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

      2. lower-fma.f64 N/A

         \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

      3. +-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

      4. *-commutative N/A

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

      5. lower-fma.f64 45.7

         \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

   5. Applied rewrites 45.7%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]
   6. Step-by-step derivation

   7. Applied rewrites 12.2%

      \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right), 1\right)}{\color{blue}{1 + \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), -1\right)}} \]

   8. Taylor expanded in x around 0

      \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right), \left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right)\right), 1\right)}{1} \]
   9. Step-by-step derivation

   10. Applied rewrites 81.4%

       \[\leadsto \frac{\mathsf{fma}\left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right), 1\right)}{1} \]

   11. Taylor expanded in x around inf

       \[\leadsto \frac{\mathsf{fma}\left(x \cdot \left(\frac{1}{6} \cdot x\right), \left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, \frac{1}{6}, \frac{1}{2}\right)\right), 1\right)}{1} \]
   12. Step-by-step derivation

   13. Applied rewrites 81.4%

       \[\leadsto \frac{\mathsf{fma}\left(x \cdot \left(x \cdot 0.16666666666666666\right), \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right) \cdot \left(x \cdot \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)\right), 1\right)}{1} \]
3. Recombined 2 regimes into one program.
4. Add Preprocessing

Alternative 11: 68.9% accurate, 3.3× speedup

Math

\[\begin{array}{l} \\ \frac{\mathsf{fma}\left(x, x \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), x\right)}{x} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (/
  (fma x (* x (fma x (fma x 0.041666666666666664 0.16666666666666666) 0.5)) x)
  x))

C

double code(double x) {
	return fma(x, (x * fma(x, fma(x, 0.041666666666666664, 0.16666666666666666), 0.5)), x) / x;
}

Julia

function code(x)
	return Float64(fma(x, Float64(x * fma(x, fma(x, 0.041666666666666664, 0.16666666666666666), 0.5)), x) / x)
end

Wolfram

code[x_] := N[(N[(x * N[(x * N[(x * N[(x * 0.041666666666666664 + 0.16666666666666666), $MachinePrecision] + 0.5), $MachinePrecision]), $MachinePrecision] + x), $MachinePrecision] / x), $MachinePrecision]

Derivation

1. Initial program 49.8%

   \[\frac{e^{x} - 1}{x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0

   \[\leadsto \frac{\color{blue}{x \cdot \left(1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)\right)}}{x} \]
4. Step-by-step derivation

   1. +-commutative N/A

      \[\leadsto \frac{x \cdot \color{blue}{\left(x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1\right)}}{x} \]

   2. distribute-lft-in N/A

      \[\leadsto \frac{\color{blue}{x \cdot \left(x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)\right) + x \cdot 1}}{x} \]

   3. *-rgt-identity N/A

      \[\leadsto \frac{x \cdot \left(x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)\right) + \color{blue}{x}}{x} \]

   4. lower-fma.f64 N/A

      \[\leadsto \frac{\color{blue}{\mathsf{fma}\left(x, x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right), x\right)}}{x} \]

   5. lower-*.f64 N/A

      \[\leadsto \frac{\mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)}, x\right)}{x} \]

   6. +-commutative N/A

      \[\leadsto \frac{\mathsf{fma}\left(x, x \cdot \color{blue}{\left(x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}\right)}, x\right)}{x} \]

   7. lower-fma.f64 N/A

      \[\leadsto \frac{\mathsf{fma}\left(x, x \cdot \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, x\right)}{x} \]

   8. +-commutative N/A

      \[\leadsto \frac{\mathsf{fma}\left(x, x \cdot \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), x\right)}{x} \]

   9. *-commutative N/A

      \[\leadsto \frac{\mathsf{fma}\left(x, x \cdot \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), x\right)}{x} \]

   10. lower-fma.f64 71.1

       \[\leadsto \frac{\mathsf{fma}\left(x, x \cdot \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), x\right)}{x} \]

5. Applied rewrites 71.1%

   \[\leadsto \frac{\color{blue}{\mathsf{fma}\left(x, x \cdot \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), x\right)}}{x} \]
6. Add Preprocessing

Alternative 12: 67.0% accurate, 4.8× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), x \cdot x, \mathsf{fma}\left(x, 0.5, 1\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (fma
  (fma x 0.041666666666666664 0.16666666666666666)
  (* x x)
  (fma x 0.5 1.0)))

C

double code(double x) {
	return fma(fma(x, 0.041666666666666664, 0.16666666666666666), (x * x), fma(x, 0.5, 1.0));
}

Julia

function code(x)
	return fma(fma(x, 0.041666666666666664, 0.16666666666666666), Float64(x * x), fma(x, 0.5, 1.0))
end

Wolfram

code[x_] := N[(N[(x * 0.041666666666666664 + 0.16666666666666666), $MachinePrecision] * N[(x * x), $MachinePrecision] + N[(x * 0.5 + 1.0), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 49.8%

   \[\frac{e^{x} - 1}{x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0

   \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
4. Step-by-step derivation

   1. +-commutative N/A

      \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

   2. lower-fma.f64 N/A

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

   3. +-commutative N/A

      \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

   4. lower-fma.f64 N/A

      \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

   5. +-commutative N/A

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

   6. *-commutative N/A

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

   7. lower-fma.f64 70.4

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

5. Applied rewrites 70.4%

   \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]
6. Step-by-step derivation

7. Applied rewrites 70.4%

   \[\leadsto \mathsf{fma}\left(\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), \color{blue}{x \cdot x}, \mathsf{fma}\left(x, 0.5, 1\right)\right) \]
8. Add Preprocessing

Alternative 13: 67.0% accurate, 6.1× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (fma x (fma x (fma x 0.041666666666666664 0.16666666666666666) 0.5) 1.0))

C

double code(double x) {
	return fma(x, fma(x, fma(x, 0.041666666666666664, 0.16666666666666666), 0.5), 1.0);
}

Julia

function code(x)
	return fma(x, fma(x, fma(x, 0.041666666666666664, 0.16666666666666666), 0.5), 1.0)
end

Wolfram

code[x_] := N[(x * N[(x * N[(x * 0.041666666666666664 + 0.16666666666666666), $MachinePrecision] + 0.5), $MachinePrecision] + 1.0), $MachinePrecision]

Derivation

1. Initial program 49.8%

   \[\frac{e^{x} - 1}{x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0

   \[\leadsto \color{blue}{1 + x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right)} \]
4. Step-by-step derivation

   1. +-commutative N/A

      \[\leadsto \color{blue}{x \cdot \left(\frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right)\right) + 1} \]

   2. lower-fma.f64 N/A

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right), 1\right)} \]

   3. +-commutative N/A

      \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \left(\frac{1}{6} + \frac{1}{24} \cdot x\right) + \frac{1}{2}}, 1\right) \]

   4. lower-fma.f64 N/A

      \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, \frac{1}{6} + \frac{1}{24} \cdot x, \frac{1}{2}\right)}, 1\right) \]

   5. +-commutative N/A

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\frac{1}{24} \cdot x + \frac{1}{6}}, \frac{1}{2}\right), 1\right) \]

   6. *-commutative N/A

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{24}} + \frac{1}{6}, \frac{1}{2}\right), 1\right) \]

   7. lower-fma.f64 70.4

      \[\leadsto \mathsf{fma}\left(x, \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right)}, 0.5\right), 1\right) \]

5. Applied rewrites 70.4%

   \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.041666666666666664, 0.16666666666666666\right), 0.5\right), 1\right)} \]
6. Add Preprocessing

Alternative 14: 63.2% accurate, 8.8× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (fma x (fma x 0.16666666666666666 0.5) 1.0))

C

double code(double x) {
	return fma(x, fma(x, 0.16666666666666666, 0.5), 1.0);
}

Julia

function code(x)
	return fma(x, fma(x, 0.16666666666666666, 0.5), 1.0)
end

Wolfram

code[x_] := N[(x * N[(x * 0.16666666666666666 + 0.5), $MachinePrecision] + 1.0), $MachinePrecision]

Derivation

1. Initial program 49.8%

   \[\frac{e^{x} - 1}{x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0

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

   1. +-commutative N/A

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

   2. lower-fma.f64 N/A

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, \frac{1}{2} + \frac{1}{6} \cdot x, 1\right)} \]

   3. +-commutative N/A

      \[\leadsto \mathsf{fma}\left(x, \color{blue}{\frac{1}{6} \cdot x + \frac{1}{2}}, 1\right) \]

   4. *-commutative N/A

      \[\leadsto \mathsf{fma}\left(x, \color{blue}{x \cdot \frac{1}{6}} + \frac{1}{2}, 1\right) \]

   5. lower-fma.f64 65.5

      \[\leadsto \mathsf{fma}\left(x, \color{blue}{\mathsf{fma}\left(x, 0.16666666666666666, 0.5\right)}, 1\right) \]

5. Applied rewrites 65.5%

   \[\leadsto \color{blue}{\mathsf{fma}\left(x, \mathsf{fma}\left(x, 0.16666666666666666, 0.5\right), 1\right)} \]
6. Add Preprocessing

Alternative 15: 51.1% accurate, 16.4× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(x, 0.5, 1\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (fma x 0.5 1.0))

C

double code(double x) {
	return fma(x, 0.5, 1.0);
}

Julia

function code(x)
	return fma(x, 0.5, 1.0)
end

Wolfram

code[x_] := N[(x * 0.5 + 1.0), $MachinePrecision]

Derivation

1. Initial program 49.8%

   \[\frac{e^{x} - 1}{x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0

   \[\leadsto \color{blue}{1 + \frac{1}{2} \cdot x} \]
4. Step-by-step derivation

   1. +-commutative N/A

      \[\leadsto \color{blue}{\frac{1}{2} \cdot x + 1} \]

   2. *-commutative N/A

      \[\leadsto \color{blue}{x \cdot \frac{1}{2}} + 1 \]

   3. lower-fma.f64 54.9

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, 0.5, 1\right)} \]

5. Applied rewrites 54.9%

   \[\leadsto \color{blue}{\mathsf{fma}\left(x, 0.5, 1\right)} \]
6. Add Preprocessing

Alternative 16: 50.9% accurate, 115.0× speedup

Math

\[\begin{array}{l} \\ 1 \end{array} \]

FPCore

(FPCore (x) :precision binary64 1.0)

C

double code(double x) {
	return 1.0;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 1.0d0
end function

Java

public static double code(double x) {
	return 1.0;
}

Python

def code(x):
	return 1.0

Julia

function code(x)
	return 1.0
end

MATLAB

function tmp = code(x)
	tmp = 1.0;
end

Wolfram

code[x_] := 1.0

Derivation

1. Initial program 49.8%

   \[\frac{e^{x} - 1}{x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0

   \[\leadsto \color{blue}{1} \]
4. Step-by-step derivation

5. Applied rewrites 54.5%

   \[\leadsto \color{blue}{1} \]
6. Add Preprocessing

Developer Target 1: 52.9% accurate, 0.4× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := e^{x} - 1\\ \mathbf{if}\;x < 1 \land x > -1:\\ \;\;\;\;\frac{t\_0}{\log \left(e^{x}\right)}\\ \mathbf{else}:\\ \;\;\;\;\frac{t\_0}{x}\\ \end{array} \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (let* ((t_0 (- (exp x) 1.0)))
   (if (and (< x 1.0) (> x -1.0)) (/ t_0 (log (exp x))) (/ t_0 x))))

C

double code(double x) {
	double t_0 = exp(x) - 1.0;
	double tmp;
	if ((x < 1.0) && (x > -1.0)) {
		tmp = t_0 / log(exp(x));
	} else {
		tmp = t_0 / x;
	}
	return tmp;
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(x) - 1.0d0
    if ((x < 1.0d0) .and. (x > (-1.0d0))) then
        tmp = t_0 / log(exp(x))
    else
        tmp = t_0 / x
    end if
    code = tmp
end function

Java

public static double code(double x) {
	double t_0 = Math.exp(x) - 1.0;
	double tmp;
	if ((x < 1.0) && (x > -1.0)) {
		tmp = t_0 / Math.log(Math.exp(x));
	} else {
		tmp = t_0 / x;
	}
	return tmp;
}

Python

def code(x):
	t_0 = math.exp(x) - 1.0
	tmp = 0
	if (x < 1.0) and (x > -1.0):
		tmp = t_0 / math.log(math.exp(x))
	else:
		tmp = t_0 / x
	return tmp

Julia

function code(x)
	t_0 = Float64(exp(x) - 1.0)
	tmp = 0.0
	if ((x < 1.0) && (x > -1.0))
		tmp = Float64(t_0 / log(exp(x)));
	else
		tmp = Float64(t_0 / x);
	end
	return tmp
end

MATLAB

function tmp_2 = code(x)
	t_0 = exp(x) - 1.0;
	tmp = 0.0;
	if ((x < 1.0) && (x > -1.0))
		tmp = t_0 / log(exp(x));
	else
		tmp = t_0 / x;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_] := Block[{t$95$0 = N[(N[Exp[x], $MachinePrecision] - 1.0), $MachinePrecision]}, If[And[Less[x, 1.0], Greater[x, -1.0]], N[(t$95$0 / N[Log[N[Exp[x], $MachinePrecision]], $MachinePrecision]), $MachinePrecision], N[(t$95$0 / x), $MachinePrecision]]]

Reproduce

herbie shell --seed 2024232 
(FPCore (x)
  :name "Kahan's exp quotient"
  :precision binary64

  :alt
  (! :herbie-platform default (if (and (< x 1) (> x -1)) (/ (- (exp x) 1) (log (exp x))) (/ (- (exp x) 1) x)))

  (/ (- (exp x) 1.0) x))