nsz Git - musl/blob - src/math/sqrt.c

   1 #include <stdint.h>
   2 #include <math.h>
   3 #include "libm.h"
   4 #include "sqrt_data.h"
   5
   6 #define FENV_SUPPORT 1
   7
   8 /* returns a*b*2^-32 - e, with error 0 <= e < 1.  */
   9 static inline uint32_t mul32(uint32_t a, uint32_t b)
  10 {
  11         return (uint64_t)a*b >> 32;
  12 }
  13
  14 /* returns a*b*2^-64 - e, with error 0 <= e < 3.  */
  15 static inline uint64_t mul64(uint64_t a, uint64_t b)
  16 {
  17         uint64_t ahi = a>>32;
  18         uint64_t alo = a&0xffffffff;
  19         uint64_t bhi = b>>32;
  20         uint64_t blo = b&0xffffffff;
  21         return ahi*bhi + (ahi*blo >> 32) + (alo*bhi >> 32);
  22 }
  23
  24 double sqrt(double x)
  25 {
  26         uint64_t ix, top, m;
  27
  28         /* special case handling.  */
  29         ix = asuint64(x);
  30         top = ix >> 52;
  31         if (predict_false(top - 0x001 >= 0x7ff - 0x001)) {
  32                 /* x < 0x1p-1022 or inf or nan.  */
  33                 if (ix * 2 == 0)
  34                         return x;
  35                 if (ix == 0x7ff0000000000000)
  36                         return x;
  37                 if (ix > 0x7ff0000000000000)
  38                         return __math_invalid(x);
  39                 /* x is subnormal, normalize it.  */
  40                 ix = asuint64(x * 0x1p52);
  41                 top = ix >> 52;
  42                 top -= 52;
  43         }
  44
  45         /* argument reduction:
  46            x = 4^e m; with integer e, and m in [1, 4)
  47            m: fixed point representation [2.62]
  48            2^e is the exponent part of the result.  */
  49         int even = top & 1;
  50         m = (ix << 11) | 0x8000000000000000;
  51         if (even) m >>= 1;
  52         top = (top + 0x3ff) >> 1;
  53
  54         /* approximate r ~ 1/sqrt(m) and s ~ sqrt(m) when m in [1,4)
  55
  56            initial estimate:
  57            7bit table lookup (1bit exponent and 6bit significand).
  58
  59            iterative approximation:
  60            using 2 goldschmidt iterations with 32bit int arithmetics
  61            and a final iteration with 64bit int arithmetics.
  62
  63            details:
  64
  65            the relative error (e = r0 sqrt(m)-1) of a linear estimate
  66            (r0 = a m + b) is |e| < 0.085955 ~ 0x1.6p-4 at best,
  67            a table lookup is faster and needs one less iteration
  68            6 bit lookup table (128b) gives |e| < 0x1.f9p-8
  69            7 bit lookup table (256b) gives |e| < 0x1.fdp-9
  70            for single and double prec 6bit is enough but for quad
  71            prec 7bit is needed (or modified iterations). to avoid
  72            one more iteration >=13bit table would be needed (16k).
  73
  74            a newton-raphson iteration for r is
  75              w = r*r
  76              u = 3 - m*w
  77              r = r*u/2
  78            can use a goldschmidt iteration for s at the end or
  79              s = m*r
  80
  81            first goldschmidt iteration is
  82              s = m*r
  83              u = 3 - s*r
  84              r = r*u/2
  85              s = s*u/2
  86            next goldschmidt iteration is
  87              u = 3 - s*r
  88              r = r*u/2
  89              s = s*u/2
  90            and at the end r is not computed only s.
  91
  92            they use the same amount of operations and converge at the
  93            same quadratic rate, i.e. if
  94              r1 sqrt(m) - 1 = e, then
  95              r2 sqrt(m) - 1 = -3/2 e^2 - 1/2 e^3
  96            the advantage of goldschmidt is that the mul for s and r
  97            are independent (computed in parallel), however it is not
  98            "self synchronizing": it only uses the input m in the
  99            first iteration so rounding errors accumulate. at the end
 100            or when switching to larger precision arithmetics rounding
 101            errors dominate so the first iteration should be used.
 102
 103            the fixed point representations are
 104              m: 2.30 r: 0.32, s: 2.30, d: 2.30, u: 2.30, three: 2.30
 105            and after switching to 64 bit
 106              m: 2.62 r: 0.64, s: 2.62, d: 2.62, u: 2.62, three: 2.62  */
 107
 108         static const uint64_t three = 0xc0000000;
 109         uint64_t r, s, d, u, i;
 110
 111         i = (ix >> 46) % 128;
 112         r = (uint32_t)__rsqrt_tab[i] << 16;
 113         /* |r sqrt(m) - 1| < 0x1.fdp-9 */
 114         s = mul32(m>>32, r);
 115         /* |s/sqrt(m) - 1| < 0x1.fdp-9 */
 116         d = mul32(s, r);
 117         u = three - d;
 118         r = mul32(r, u) << 1;
 119         /* |r sqrt(m) - 1| < 0x1.7bp-16 */
 120         s = mul32(s, u) << 1;
 121         /* |s/sqrt(m) - 1| < 0x1.7bp-16 */
 122         d = mul32(s, r);
 123         u = three - d;
 124         r = mul32(r, u) << 1;
 125         /* |r sqrt(m) - 1| < 0x1.3704p-29 (measured worst-case) */
 126         r = r << 32;
 127         s = mul64(m, r);
 128         d = mul64(s, r);
 129         u = (three<<32) - d;
 130         s = mul64(s, u);  /* repr: 3.61 */
 131         /* -0x1p-57 < s - sqrt(m) < 0x1.8001p-61 */
 132         s = (s - 2) >> 9; /* repr: 12.52 */
 133         /* -0x1.09p-52 < s - sqrt(m) < -0x1.fffcp-63 */
 134
 135         /* s < sqrt(m) < s + 0x1.09p-52,
 136            compute nearest rounded result:
 137            the nearest result to 52 bits is either s or s+0x1p-52,
 138            we can decide by comparing (2^52 s + 0.5)^2 to 2^104 m.  */
 139         uint64_t d0, d1, d2;
 140         double y, t;
 141         d0 = (m << 42) - s*s;
 142         d1 = s - d0;
 143         d2 = d1 + s + 1;
 144         s += d1 >> 63;
 145         s &= 0x000fffffffffffff;
 146         s |= top << 52;
 147         y = asdouble(s);
 148         if (FENV_SUPPORT) {
 149                 /* handle rounding modes and inexact exception:
 150                    only (s+1)^2 == 2^42 m case is exact otherwise
 151                    add a tiny value to cause the fenv effects.  */
 152                 uint64_t tiny = predict_false(d2==0) ? 0 : 0x0010000000000000;
 153                 tiny |= (d1^d2) & 0x8000000000000000;
 154                 t = asdouble(tiny);
 155                 y = eval_as_double(y + t);
 156         }
 157         return y;
 158 }