Le calcul scientifique a permis ces dernières années de considérables avancés dans des domaines aussi différents que la prospection du pétrôle, l'imagerie médicale ou encore le prototypage dans l'industrie automobile. Puissance et rapidité sont les facteurs clés de demain, qui permettront aux scientifiques d'aborder des problèmes toujours plus "gourmands" en calculs (plus de données, modèle plus fin, etc.). L'augmentation incessante de la puissance des ordinateurs utilisés incite les utilisateurs à attendre l'arrivée de la toute dernière génération de processeurs sur le marché. Cependant, si les promesses sont alléchantes, force est de constater qu'il est aujourd'hui de plus en plus difficile de s'approcher des performances crêtes des machines (on constate la plupart du temps des performances ne dépassant pas 10% des performances crêtes de la machine).
L'intérêt porté depuis quelques années au High Performance
Computing a permis le développement de nombreux outils :
compilation, parallélisme, et optimisations de code apportent déjà
quelques éléments de réponse permettant d'augmenter les performances
d'une application. Toutefois, les résultats obtenus montrent qu'une
analyse plus poussée des programmes est nécessaire pour en extraire
des informations supplémentaires, capitales pour une bonne
optimisation
. Cette
tâche est rendue complexe par le fait que le compilateur intervient
souvent "trop tard" (il a "perdu" l'information), et que le
programmeur ne peut ajouter à son code cette connaissance trop
spécifique (qui rendrait par ailleurs l'application moins portable et
trop souvent illisible). Il est donc aujourd'hui important de
travailler à la mise en place de nouvelles techniques permettant
d'améliorer les performances de tout ou partie d'une application. Bien
évidemment, plus les analyses de programmes seront précises, plus il y
aura de problèmes de complexité pour les algorithmes mis en 
uvre.