Снижаем ваши затраты,
ускоряя тяжёлые программные системы
ускоряя тяжёлые программные системы
Более 20 лет опыта, 12 масштабных проектов, 4‑кратное ускорение ПО — наш стандарт! От алгоритмов до суперкомпьютеров: оптимизируем тяжелое цифровое моделирование для крупнейших игроков мирового рынка.
Наши компетенции
Разработка, ускорение и оптимизация тяжёлого математического ПО: применяем методы высокопроизводительных вычислений и технологии искусственного интеллекта для бизнес‑задач.
Компетенции
Оптимизация, обеспечение лидерства по эффективности и скорости математического ядра для полного цикла цифрового моделирования.
История
Более 20 лет опыта по оптимизации и ускорению критических частей программ для математического моделирования физических процессов.
Успехи
Реализовано более 12 проектов в интересах крупнейших компаний, среднее ускорение критических частей программ более 4-х раз!
Команда
Опыт разработки продуктов мирового класса, таких как Intel MKL(x86), HUAWEI HPC Boostkit(ARM), SILVACO sKit.
Наука
За плечами нашей команды — десятилетия исследований в HPC: признанные учёные, сотни научных публикаций, прорывные разработки.
Бизнес
Комплексный анализ эффективности ПО: выявление узких мест и устранение их на каждом этапе жизненного цикла разработки.
Реальные кейсы
- Разработан высокоэффективный двухуровневый аддитивный метод декомпозиции областей для гибридного (MPI+OpenMP) параллельного решателя СЛАУ для стационарных задач электромагнитного излучения. Эффективность параллелизации составила более 60 %.
- Оптимизирован и распараллелен линейный решатель для задач трёхфазной фильтрации в гидродинамическом симуляторе (black oil, PEBI‑сетки). Достигнуто ускорение в среднем в 9 раз за счёт алгоритмических улучшений и оптимизации под процессоры с поддержкой AVX2.
- Выбран высокоэффективный предобуславливатель (блочная ILU0 с бустингом) для параллельного решения СЛАУ в задачах моделей «black oil» и оптимизирован для процессоров с поддержкой AVX и выше. Достигнуто ускорение в среднем в 5 раз.
- В экстремально сжатые сроки было разработано ПО для моделирования тепловых полей в катушке электродинамического громкоговорителя. Моделирование на данных заказчика подтвердило совпадение с результатами физических экспериментов.
- В команду входят разработчики ключевых компонентов библиотеки KML (BLAS, LAPACK, прямых и итерационных разрежённых решателей, ScaLAPACK) и инференс AI, обладающие обширным опытом оптимизации под современную ARM‑архитектуру.
- Команда объединяет разработчиков важнейших модулей Intel MKL таких как BLAS, Sparse BLAS, PARDISO, LAPACK и ScaLAPACK. Все они имеют глубокий опыт адаптации под все линейки процессоров Intel включающих в себя Xeon Phi, Itanium, Xeon.
Публикации
Ilin V.P. Challenges of machine learning and mathematical modeling. Herald of the russian academy of sciences, 2025, Vol. 95, No. 3, pp. 14–21.
V. P. Il’in. Iterative Preconditioned Methods in Krylov Spaces:Trends of the XXI Century. Computational Mathematics and Mathematical Physics, 2021, Vol. 61, No. 11, pp. 1750–1775.
D.M. Berlizov, V.S. Gladkikh, A.V. Moskalev, S.G. Pudov Comparative analysis of popular open packages of matrix reordering for the Cholesky decomposition Параллельные вычислительные технологии (ПаВТ’2023)
Il’in, V.P. Multigrid Incomplete Factorization Methods in Krylov Subspaces. Journal of Mathematical Sciences 272, 523–532 (2023).
V. P. Il’in. Algebraic-Geometric Multigrid Methods of Domain Decomposition. Numerical Analysis and Applications, 2025, Vol. 18, No. 2, pp. 148–156.
V. P. Ilyin and V. N. Babenko. On the Influence of Disturbances on the Accuracy of Computing Corrections in the Krylov Subspace. Journal of Applied and Industrial Mathematics, 2025, Vol. 19, No. 1, pp. 51–58.
Контакты
novomath@mail.ru
