Use StaticArrays.jl about fembasis.jl HOT 9 OPEN

julia> @code_native t2 ⋅ t2
        .section        __TEXT,__text,regular,pure_instructions
        vmovupd (%rsi), %xmm0
        vmovsd  16(%rsi), %xmm1         ## xmm1 = mem[0],zero
        vinsertf128     $1, %xmm1, %ymm0, %ymm0
        vmovupd 24(%rsi), %xmm1
        vmovsd  40(%rsi), %xmm2         ## xmm2 = mem[0],zero
        vinsertf128     $1, %xmm2, %ymm1, %ymm1
        vmovupd 48(%rsi), %xmm2
        vmovsd  64(%rsi), %xmm3         ## xmm3 = mem[0],zero
        vinsertf128     $1, %xmm3, %ymm2, %ymm2
        vbroadcastsd    (%rdx), %ymm3
        vmulpd  %ymm3, %ymm0, %ymm3
        vbroadcastsd    8(%rdx), %ymm4
        vfmadd213pd     %ymm3, %ymm1, %ymm4
        vbroadcastsd    16(%rdx), %ymm3
        vfmadd213pd     %ymm4, %ymm2, %ymm3
        vbroadcastsd    24(%rdx), %ymm4
        vmulpd  %ymm4, %ymm0, %ymm4
        vbroadcastsd    32(%rdx), %ymm5
        vfmadd213pd     %ymm4, %ymm1, %ymm5
        vbroadcastsd    40(%rdx), %ymm4
        vfmadd213pd     %ymm5, %ymm2, %ymm4
        vbroadcastsd    48(%rdx), %ymm5
        vmulpd  %ymm5, %ymm0, %ymm0
        vbroadcastsd    56(%rdx), %ymm5
        vfmadd213pd     %ymm0, %ymm1, %ymm5
        vbroadcastsd    64(%rdx), %ymm0
        vfmadd213pd     %ymm5, %ymm2, %ymm0
        vbroadcastsd    %xmm4, %ymm1
        vblendpd        $8, %ymm1, %ymm3, %ymm1 ## ymm1 = ymm3[0,1,2],ymm1[3]
        vmovupd %ymm1, (%rdi)
        vextractf128    $1, %ymm0, %xmm1
        vinsertf128     $1, %xmm0, %ymm0, %ymm0
        vpermpd $233, %ymm4, %ymm2      ## ymm2 = ymm4[1,2,2,3]
        vblendpd        $12, %ymm0, %ymm2, %ymm0 ## ymm0 = ymm2[0,1],ymm0[2,3]
        vmovupd %ymm0, 32(%rdi)
        vmovlpd %xmm1, 64(%rdi)
        movq    %rdi, %rax
        vzeroupper
        retq
        nopw    %cs:(%rax,%rax)

julia> @code_native s2 * s2
        .section        __TEXT,__text,regular,pure_instructions
        vmovsd  (%rdx), %xmm0           ## xmm0 = mem[0],zero
        vmovsd  8(%rdx), %xmm7          ## xmm7 = mem[0],zero
        vmovsd  16(%rdx), %xmm6         ## xmm6 = mem[0],zero
        vmovsd  16(%rsi), %xmm11        ## xmm11 = mem[0],zero
        vmovsd  40(%rsi), %xmm12        ## xmm12 = mem[0],zero
        vmovsd  64(%rsi), %xmm9         ## xmm9 = mem[0],zero
        vmovsd  24(%rdx), %xmm3         ## xmm3 = mem[0],zero
        vmovupd (%rsi), %xmm4
        vmovupd 8(%rsi), %xmm10
        vmovhpd (%rsi), %xmm11, %xmm5   ## xmm5 = xmm11[0],mem[0]
        vinsertf128     $1, %xmm5, %ymm4, %ymm5
        vunpcklpd       %xmm3, %xmm0, %xmm1 ## xmm1 = xmm0[0],xmm3[0]
        vmovddup        %xmm0, %xmm0    ## xmm0 = xmm0[0,0]
        vinsertf128     $1, %xmm1, %ymm0, %ymm0
        vmulpd  %ymm0, %ymm5, %ymm0
        vmovsd  32(%rdx), %xmm5         ## xmm5 = mem[0],zero
        vmovupd 24(%rsi), %xmm8
        vmovhpd 24(%rsi), %xmm12, %xmm1 ## xmm1 = xmm12[0],mem[0]
        vinsertf128     $1, %xmm1, %ymm8, %ymm1
        vunpcklpd       %xmm5, %xmm7, %xmm2 ## xmm2 = xmm7[0],xmm5[0]
        vmovddup        %xmm7, %xmm7    ## xmm7 = xmm7[0,0]
        vinsertf128     $1, %xmm2, %ymm7, %ymm2
        vmulpd  %ymm2, %ymm1, %ymm1
        vaddpd  %ymm1, %ymm0, %ymm1
        vmovsd  40(%rdx), %xmm0         ## xmm0 = mem[0],zero
        vmovhpd 48(%rsi), %xmm9, %xmm2  ## xmm2 = xmm9[0],mem[0]
        vmovupd 48(%rsi), %xmm13
        vinsertf128     $1, %xmm2, %ymm13, %ymm2
        vunpcklpd       %xmm0, %xmm6, %xmm7 ## xmm7 = xmm6[0],xmm0[0]
        vmovddup        %xmm6, %xmm6    ## xmm6 = xmm6[0,0]
        vinsertf128     $1, %xmm7, %ymm6, %ymm6
        vmulpd  %ymm6, %ymm2, %ymm2
        vaddpd  %ymm2, %ymm1, %ymm14
        vmovsd  48(%rdx), %xmm1         ## xmm1 = mem[0],zero
        vmovsd  56(%rdx), %xmm2         ## xmm2 = mem[0],zero
        vmovsd  64(%rdx), %xmm6         ## xmm6 = mem[0],zero
        vinsertf128     $1, %xmm4, %ymm10, %ymm4
        vmovddup        %xmm3, %xmm3    ## xmm3 = xmm3[0,0]
        vmovddup        %xmm1, %xmm7    ## xmm7 = xmm1[0,0]
        vinsertf128     $1, %xmm7, %ymm3, %ymm3
        vmulpd  %ymm3, %ymm4, %ymm3
        vmovupd 32(%rsi), %xmm4
        vinsertf128     $1, %xmm8, %ymm4, %ymm4
        vmovddup        %xmm5, %xmm5    ## xmm5 = xmm5[0,0]
        vmovddup        %xmm2, %xmm7    ## xmm7 = xmm2[0,0]
        vinsertf128     $1, %xmm7, %ymm5, %ymm5
        vmulpd  %ymm5, %ymm4, %ymm4
        vaddpd  %ymm4, %ymm3, %ymm3
        vmovupd 56(%rsi), %xmm4
        vinsertf128     $1, %xmm13, %ymm4, %ymm4
        vmovddup        %xmm0, %xmm0    ## xmm0 = xmm0[0,0]
        vmovddup        %xmm6, %xmm5    ## xmm5 = xmm6[0,0]
        vinsertf128     $1, %xmm5, %ymm0, %ymm0
        vmulpd  %ymm0, %ymm4, %ymm0
        vaddpd  %ymm0, %ymm3, %ymm0
        vmulsd  %xmm1, %xmm11, %xmm1
        vmulsd  %xmm2, %xmm12, %xmm2
        vaddsd  %xmm2, %xmm1, %xmm1
        vmulsd  %xmm6, %xmm9, %xmm2
        vaddsd  %xmm2, %xmm1, %xmm1
        vmovupd %ymm14, (%rdi)
        vmovupd %ymm0, 32(%rdi)
        vmovsd  %xmm1, 64(%rdi)
        movq    %rdi, %rax
        vzeroupper
        retq
        nop

# Tensors.jl
julia> @btime $t2 ⋅ $t2
  4.397 ns (0 allocations: 0 bytes)

# StaticArrays.jl
julia> @btime $s2 * $s2
  10.063 ns (0 allocations: 0 bytes)

# Tensors.jl
julia> @btime $t4 ⊡ $t2
  9.080 ns (0 allocations: 0 bytes)

# StaticArrays.jl
julia> @btime $s4 * $s2
  11.577 ns (0 allocations: 0 bytes)