ClusterMap в R на разветвленном кластере работает намного медленнее, чем mapply. Что еще я могу попробовать?

Я новичок в параллельном программировании и почерпнул информацию о R из различных (иногда противоречивых) источников. Я унаследовал некоторый код и попытался распараллелить его, я думаю, что распараллеливание данных уместно.

Задача требует некоторых вычислений для ряда особей (этап 1), затем вычисленные величины используются для расчета некоторых характеристик совокупности (этап 2). Мы делаем это для цикла с заданным числом итераций. У меня есть подозрение (собирая воедино биты, которые я прочитал), что вычисления из фазы 1 вызывают изменение объекта, хранящего результаты, из-за чего вычисления страдают от некоторого времени ожидания, вызванного (нежелательным) копированием объектов. В результате выполнение программы с использованием clusterMap занимает гораздо больше системного времени, чем непараллельная версия кода с использованием mapply.

Вычисления требуют многих уровней вызовов функций. Я попытался дать представление о структуре кода на небольшом рабочем примере ниже.

 require(parallel)

## define the two phases of the computation 
phase1.top.level<- function(x,y){second.level(x,y)}

## Functions call other functions.  
phase1.second.level<- function(x,y){   third.level(x,y) }

phase1.third.level<- function(x,y){ result<- x^2-2*y*x; result }

 ## define the function that performs the second phase of the computation     
second.phase<-function(input,x,y) {input+x+y}

## Assemble these functions into an algorithm
multi.phase.comp<- function(input,x,y){

    input<-phase1.top.level(x,y)
        output<-second.phase(input,x,y)
}


### Call the function with inputs
 x<-seq(1:100)
y<-seq(1:100)
input<-rep(1,100)

## Time the function executed for the vector inputs using clusterMap from the parallel package
system.time({ 
no_cores<-5 
    c1<- makeCluster(no_cores,type="FORK")
out<- clusterMap(cl=c1, multi.phase.comp, input, x, y)
stopCluster(c1) 
})
### One execution of this (on an old laptop) gave
###  user  system elapsed 
###  0.055   0.163   0.973 

 ## Regrettably, the effort to parallelise wasn't justified as mapply is    faster: 
system.time({ 
out2<-  mapply( multi.phase.comp, input, x, y)
})
#### This shows much less system and elapsed time 
#### user  system elapsed 
#### 0.009   0.002   0.030 

Любые предложения о том, как я могу ускорить свой код? Будет ли мне лучше использовать кластеры сокетов для этого типа приложений?