<div dir="ltr">What Matt is getting at is that typically we measure the computational difficulty of a problem as a function of the &#39;unknowns&#39;.  If you are looking at turning a sparse matrix O(n) bytes into a dense inverse O(n^2) bytes, you&#39;ve taken what was originally a potentially optimal problem and turned it into one of quadratic difficulty in terms of memory, and even more in terms of flops.  You may have better luck using an explicitly dense method/algorithm for computing the inverse: it will scale well in the sense that adding more processors will work faster (this is the heart of the LINPACK computation after all), but you will need a lot of core-hours and memory to get there...<div>
<br></div><div>A</div></div>