CartesianMoE: Boosting Knowledge Sharing among Experts via Cartesian Product Routing in Mixture-of-Experts
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学)
针对 MoE 专家知识共享不足且性能依赖路由准确性的问题,本文提出 CartesianMoE,借鉴集体矩阵分解以笛卡尔积式“乘法”路由增强共享,并在困惑度、下游任务和路由鲁棒性上优于已有 MoE。
2025-02-18 cs.CL cs.LG
MoE-Prism: Disentangling Monolithic Experts for Elastic MoE Services via Model-System Co-Designs
Shanghai Jiao Tong University(上海交通大学)
MoE-Prism通过模型-系统协同设计将MoE的整体专家分解为细粒度子专家,实现请求级计算弹性,扩展路由工作点数量,提升吞吐量并降低首包时间,验证了实用弹性MoE服务的可行性。
2026-08-11 cs.CL cs.LG
HERO-MoE: Historical Expert Routing with Scale-Preserving Fusion
HERO-MoE通过重用前序层路由分布并采用尺度保持融合机制,在几乎不增加开销的情况下降低MoE训练损失,实验显示最终损失从1.6393降至1.6184。
2026-09-29 cs.CL cs.LG
RouterInterp: Understanding Superposed Specialisation in Mixture of Experts Routing
Faculty of Informatics, TU Wien(维也纳工业大学信息学学院);UK AI Security Institute(英国人工智能安全机构)
本研究针对混合专家模型路由的不可解释问题,提出叠加式专业化假设,开发RouterInterp方法,在gpt-oss-20b上使路由解释检测准确率较旧方法提升约65%,增进了对基础模型该组件的理解。
2026-10-09 cs.AI cs.CL cs.LG
Probing Semantic Routing in Large Mixture-of-Expert Models
Intel Labs(英特尔实验室);Intel Corporation(英特尔公司)
本研究针对大型混合专家(MoE)模型的路由机制,通过两项对照实验验证输入语义对专家路由的影响,证实了大型MoE模型中语义路由的存在,为理解其功能分化提供了依据。
2025-05-21 cs.AI cs.CL cs.LG
Routing-Free Mixture-of-Experts
Ludwig Maximilian University of Munich(慕尼黑大学);University of California, Los Angeles(加州大学洛杉矶分校);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出无路由专家混合模型,通过消除传统集中路由机制,实现专家自主激活,改进资源分配方法,实验表明其在可扩展性和鲁棒性上优于基线模型。
2026-04-01 cs.AI cs.CL cs.LG
MoE Routing Testbed: Studying Expert Specialization and Routing Behavior at Small Scale
Amazon AGI(亚马逊AGI)
本文提出MoE路由测试平台,通过对比不同路由方法,验证了在小规模下平衡范围是实现专家专业化和高利用的关键因素。
2026-04-08 cs.LG
L2R: Low-Rank and Lipschitz-Controlled Routing for Mixture-of-Experts
Hokkaido University(北海道大学)
本文提出L2R框架,通过低秩潜在路由空间和SIPS评分机制提升MoE模型的路由几何和专家表现力,实验表明其在语言和视觉任务中均提升性能。
2026-09-18 cs.AI cs.LG
Grassmannian Mixture-of-Experts: Concentration-Controlled Routing on Subspace Manifolds
Department of Computer Science Iowa State University(计算机科学系爱荷华州立大学)
GrMoE通过Grassmannian流形上的浓度控制机制,实现子空间路由的稀疏性优化与负载平衡改进。
2026-02-19 cs.LG
When Are Experts Misrouted? Counterfactual Routing Analysis in Mixture-of-Experts Language Models
Department of Computer Science and Engineering, POSTECH, South Korea(韩国POSTECH计算机科学与工程系);Graduate School of Artificial Intelligence, POSTECH, South Korea(韩国POSTECH人工智能研究生院);Microsoft Research Asia, Beijing, China(中国北京微软亚洲研究院)
研究探讨了混合专家模型中路由选择的质量评估,发现标准路由在自信 token 上表现良好,但在脆弱 token 上存在误分配问题,通过更新路由层可提升模型性能。
2026-05-08 cs.CL cs.LG
Routers Learn the Geometry of Their Experts: Geometric Coupling in Sparse Mixture-of-Experts
Blavatnik School of Computer Science and AI, Tel Aviv University(塔夫茨大学比拉维克计算机科学与人工智能学院)
本文研究了稀疏混合专家模型中路由决策的形成机制,揭示了路由器与专家之间的几何耦合关系,并展示了几何耦合对有效路由的重要性。
2026-11-13 cs.CL cs.LG
ProbMoE: Differentiable Probabilistic Routing for Mixture-of-Experts
Imperial College London(伦敦帝国学院);University of Waterloo(多伦多大学);EPFL(瑞士联邦理工学院)
提出ProbMoE概率路由框架,通过离散子集空间上的概率推断实现专家选择,解决top-k路由的离散非可微问题,并扩展到动态k路由,提升专家利用率和路由多样性。
2026-06-01 cs.AI cs.LG
SMILE: Scaling Mixture-of-Experts with Efficient Bi-level Routing
University of Southern California(南加州大学);AWS AI(亚马逊云科技人工智能部门)
专家(MoE)并行的混合是一个最近的进步,规模与恒定的计算成本的模型大小。MoE选择不同的参数组(即,专家),从而产生稀疏激活的模型。尽管MoE的几个成功的应用程序,其培训效率显着下降的专家数量的增加。MoE中的路由阶段依赖于All2All通信集合的效率,其遭受网络拥塞并且具有差的可扩展性。为了缓解这些问题,我们引入了SMILE,它利用异构网络带宽,并将单步路由分为两级路由。我们的实验结果表明,所提出的方法获得了2.5倍的加速比开关Transformer在预训练吞吐量的Colossal清洁爬行语料库,而不会失去任何收敛速度。
2022-12-10 cs.LG
Mixture-of-Experts as Soft Clustering: A Dual Jacobian-PCA Spectral Geometry Perspective
本文从双雅可比-PCA谱几何视角研究MoE,发现其通过软划分函数空间,降低局部曲率并重新分布表示方差,从而提升模型性能。
2026-02-18 cs.AI cs.CL cs.LG
Selective Sinkhorn Routing for Improved Sparse Mixture of Experts
University of California, Berkeley(加州大学伯克利分校);National University of Singapore(新加坡国立大学)
本文提出了一种选择性Sinkhorn路由方法,通过将token到专家的分配问题转化为最优传输问题,并引入约束以确保专家利用率均衡,从而在不依赖辅助平衡损失的情况下提升稀疏专家混合模型的性能。
2026-06-04 cs.LG
Stable Routing for Mixture-of-Experts in Class-Incremental Learning
State Key Laboratory of Novel Software Technology, Nanjing University(南京大学新型软件技术国家重点实验室);School of Artificial Intelligence, Nanjing University(南京大学人工智能学院)
本文研究了在类增量学习中混合专家模型的稳定路由问题,提出了一种稳定路由框架StaR-MoE,通过敏感性感知路由对齐和不对称容量正则化,提高了模型对新类别的适应能力和旧类别的知识保留能力。
2026-05-17 cs.CV cs.LG
Beyond Global Routing Aggregation: Phase-Aware Expert Merging for MoE Vision-Language Models
针对MoE-VLM全局路由聚合导致专家角色混淆的问题,提出无需训练的RoleMerge方法,通过阶段归一化路由统计合并专家,在匹配专家保留比例下性能优于现有方法,六任务宏平均相对提升最高9.6%。
2026-08-06 cs.CV cs.LG
Elbow-Based MoE Routing: A Training-Free Inference Time Plugin for Expert Selection
John A. Paulson School of Engineering and Applied Sciences, Harvard University(哈佛大学约翰·A·保尔森工程与应用科学学院);Department of Mathematics, Harvard University(哈佛大学数学系)
该研究提出无需训练的肘部法MoE推理时路由插件,动态调整每个token的专家数量,保持专家负载均衡,在六个基准测试中以5.3%的平均延迟降低量维持MoE模型准确率。
2026-08-06 cs.LG
Hierarchical Copula-Gumbel-Top-K Routing: Two-Sided Dependence Control for Frozen Mixture-of-Experts at Fixed Per-Token Routing Laws
Hong Kong Baptist University(香港浸会大学);TadReamk Limited(TadReamk有限公司)
该研究针对冻结型混合专家模型,提出分层Copula-Gumbel-Top-$K$路由方法,通过双侧依赖控制在固定每token路由律的前提下调节专家负载方差,初步验证了机制有效性但未实现任务级微调增益。
2026-08-18 cs.LG
Adaptive Inverted-Index Routing for Granular Mixtures-of-Experts
MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);Tübingen AI Center(图宾根人工智能中心);ETH Zurich(苏黎世联邦理工学院);ELLIS Institute Tübingen(图宾根ELLIS研究所)
针对细粒度MoE模型路由开销大的问题,提出基于向量量化的两阶段倒排索引路由AIR-MoE,近似Top-K选择,无需结构约束,在百万级专家下改善困惑度-FLOPs权衡。
2026-10-06 cs.LG
Improving Routing in Sparse Mixture of Experts with Graph of Tokens
University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对SMoE模型训练后期的路由波动问题,提出相似性感知和注意力感知(S)MoE方法,利用Token相似性和注意力矩阵引导路由,有效降低专家选择熵,显著提升了模型稳定性与鲁棒性。
2025-05-01 cs.LG
Not All Models Suit Expert Offloading: On Local Routing Consistency of Mixture-of-Expert Models
Fudan University(复旦大学);University of Southern California(南加州大学);Huawei Technologies Ltd.(华为技术有限公司);Shanghai Innovation Institute(上海创智学院)
本文提出两个指标衡量混合专家模型的局部路由一致性,发现局部路由一致性与局部负载平衡存在权衡,而全局负载平衡可共存,并揭示领域专用专家对路由一致性贡献更大。
2026-02-28 cs.AI cs.LG
Routing-Aware Safety Alignment for Mixture-of-Experts Models
Department of XXX, University of YYY(YYY大学XXX系);School of ZZZ, Institute of WWW(WWW学院ZZZ学院)
RASA通过针对性修复安全关键专家提升混合专家模型的安全性,有效防止路由绕过,实现高鲁棒性和跨攻击泛化能力。
2026-10-08 cs.AI cs.CR cs.LG
MoEEdit: Efficient and Routing-Stable Knowledge Editing for Mixture-of-Experts LLMs
Tsinghua University(清华大学);Georgia Institute of Technology(佐治亚理工学院)
MoEEdit提出一种高效且路由稳定的知识编辑方法,用于稀疏混合专家语言模型,通过空空间投影和块坐标下降求解器实现高效率和稳定性。
2026-02-11 cs.LG
Multilingual Routing in Mixture-of-Experts
University of California, Los Angeles(加州大学洛杉矶分校);Fudan University(复旦大学)
本研究分析了混合专家模型在处理多语言文本时的路由机制,揭示了中间层的跨语言路由对齐现象,并通过简单干预提升了多语言性能。
2026-02-17 cs.AI cs.CL cs.LG
Polysemantic Experts, Monosemantic Paths: Routing as Control in MoEs
Georgia Institute of Technology(佐治亚理工学院)
本文提出一种无参数分解方法,将MoE模型的隐藏状态分为控制信号和内容通道,发现专家路径变得单一语义,而控制信号在层间旋转,从而实现组合专业化。
2026-04-20 cs.AI cs.CL cs.LG
SliceMoE: Routing Embedding Slices Instead of Tokens for Fine-Grained and Balanced Transformer Scaling
Rutgers University - New Brunswick(罗格斯大学新布朗斯维克分校)
针对令牌级MoE路由的容量瓶颈、负载失衡等问题,提出SliceMoE架构通过路由嵌入切片实现细粒度均衡扩展,经多任务实验验证其推理更快、困惑度更低且专家均衡性与可解释性更优。
2025-10-05 cs.AI cs.CL cs.LG
Distribution-Consistent Inference for Dynamic Sparse Mixture-of-Experts
KAIST(韩国科学技术院)
针对MoE模型推理时动态路由导致的分布偏移,提出轻量级逐层分布对齐(LDA)方法,利用校准统计量修正表征,恢复性能并保持稀疏推理效率。
2026-09-10 cs.AI cs.CL cs.LG
Neural Inhibition Improves Dynamic Routing and Mixture of Experts
Engineering Science University of Toronto(多伦多大学工程科学学院)
本文提出在动态路由和专家混合模型中引入神经抑制机制,通过抑制共享信号来增强专家路径选择的专门化,实验证明该算法能显著提升通用任务性能。
2025-07-03 cs.AI cs.LG
Rethinking Routing Exploration in Modern Mixture-of-Experts
ETH Zurich(苏黎世联邦理工学院);The University of Hong Kong(香港大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);WU Vienna(维也纳经济大学)
本文针对现代MoE架构中细粒度专家分割与共享专家间的探索困境,提出MirrorMoE通过token自适应抑制不必要专家缩小探索空间,在各模型规模下均提升性能。
2026-10-16 cs.AI cs.LG
Input Domain Aware MoE: Decoupling Routing Decisions from Task Optimization in Mixture of Experts
University of Science and Technology of China(科学技术大学);State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室)
针对 sMoE 相似度路由难以兼顾专家专业化与负载均衡的问题,提出独立于任务目标训练的 Input Domain Aware MoE 概率混合路由框架,并在视觉-语言任务上验证其性能与利用均衡优势。
2025-10-18 cs.AI cs.LG
RouteScan: A Non-Intrusive Approach to Auditing MoE LLMs Safety via Expert Routing Telemetry
Zhejiang University(浙江大学);Donghua University(东华大学);Louisiana State University(路易斯安那州立大学)
提出RouteScan,一种利用MoE模型GPU级专家路由遥测(如预填充阶段活跃线程数)作为微架构指纹,通过轻量级检测流水线识别恶意提示的非侵入式审计框架,在未见过的有害领域AUROC超0.93,新越狱包装下超0.96,且相比基于内容的审计方法具有隐私优势。
2026-08-24 cs.AR cs.CL cs.CR
Opportunistic Expert Activation: Batch-Aware Expert Routing for Faster Decode Without Retraining
针对 MoE 模型解码延迟受激活专家数制约的问题,提出动态重路由框架,通过批感知路由让 token 搭乘已加载专家,在无精度损失下显著降低解码延迟。
2025-11-04 cs.LG
SoftMoE: Soft Differentiable Routing for Mixture-of-Experts in LLMs
AGH University of Krakow, Poland(克拉科夫AGH大学);Faculty of Mathematics(数学系);Computer Science, Jagiellonian University, Poland(计算机科学系,杰哥利安大学,波兰);Centre for Credible Artificial Intelligence, Warsaw University of Technology(可信人工智能中心,华沙技术大学)
提出SoftMoE,通过软top-k LapSum松弛替代离散路由,实现专家路由的梯度优化,并学习每层专家激活数量,在语言建模中激活更少专家达到相当或更优性能。
2026-06-17 cs.AI cs.LG
Conditional Capacity and Routing in Mixture-of-Experts Particle Transformers
University of California San Diego(加州大学圣迭戈分校);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Fermi National Accelerator Laboratory(费米国家加速器实验室);University of California Davis(加州大学戴维斯分校)
本研究在JetClass-II上对比密集与MoE粒子Transformer,发现top-1 MoE在计算量不变时提升精度,多专家激活增加计算成本但提升预测,并强调需区分存储容量、活跃计算、路由容量与组织。
2026-10-08 cs.LG hep-ex
Union of Experts: Adapting Hierarchical Routing to Equivalently Decomposed Transformer
Dalian University of Technology(大连理工大学)
针对传统MoE架构协调动态次优、未有效扩展到注意力块的问题,提出UoE,将Transformer等价分解为专家组并采用分层路由,在多任务中提升性能且降低计算量,优于现有模型。
2025-09-23 cs.AI cs.CL cs.LG
Expert Race: A Flexible Routing Strategy for Scaling Diffusion Transformer with Mixture of Experts
ShanghaiTech University(上海科技大学)
针对扩散Transformer的扩展性问题,提出搭载Expert Race灵活路由策略的Race-DiT模型,结合逐层正则化与路由相似度损失优化专家利用,在ImageNet上实现显著性能提升。
2025-06-12 cs.AI cs.CV cs.LG
Task-Phase-Conditioned Expert Routing Is Not a Reliable Proxy for Quantization Sensitivity in MoE FFN Tensors
UIUC MCS(伊利诺伊大学厄巴纳-香槟分校数学与计算机科学学院)
该研究验证任务阶段条件化的专家路由统计量并非MoE FFN张量分层混合精度量化灵敏度的可靠替代指标,相关重新分配策略未优于均匀基线且存在结构性损失。
2026-10-16 cs.LG
EMoE: Eigenbasis-Guided Routing for Mixture-of-Experts
University of Southern California(南加州大学)
EMoE通过基于学习的正交特征基的路由机制,解决混合专家架构中的负载不平衡和专家同质化问题,无需辅助损失函数。
2026-01-17 cs.CV cs.LG
Routing Manifold Alignment Improves Generalization of Mixture-of-Experts LLMs
Johns Hopkins University(约翰霍普金斯大学);University of Maryland, College Park(马里兰大学学院公园分校)
针对现有MoE大语言模型路由器次优导致与最优路由存在10-20%准确率差距的问题,提出RoMA方法通过对齐路由权重与任务嵌入流形、轻量微调路由器,在OLMoE等模型上实现泛化性能显著提升。
2025-11-12 cs.LG
Task-Conditioned Routing Signatures in Sparse Mixture-of-Experts Transformers
MSR Avinash Independent Researcher(MSR阿文纳什独立研究员)
研究发现稀疏混合专家变压器中的路由机制具有任务条件结构,通过路由签名分析显示同类任务提示具有高相似性,不同任务提示相似性较低,且基于路由签名的分类器在任务分类中表现优异。
2026-03-11 cs.AI cs.LG
Evidence for Shared Routing Geometry and Dynamics in Sparse Mixture-of-Experts
Central University(中央大学);Innopolis University(因诺波利斯大学)
本研究证实稀疏MoE模型各层路由状态共享通用几何结构,经对齐后可复用线性过渡,且该共享动力学为路由特有,迁移规范状态可降低模型的负对数似然损失。
2026-09-03 cs.AI cs.LG
Mixture-of-Experts with Expert Choice Routing
Google(谷歌)
稀疏激活的混合专家模型(MoE)模型允许参数的数量大大增加,同时保持给定令牌或给定样本的计算量不变。然而,较差的专家路由策略(例如,导致负载不平衡的策略)可能导致某些专家训练不足,从而导致专家专业化不足或过度专业化。先前的工作使用top-k函数为每个令牌分配固定数量的专家,而不管不同令牌的相对重要性。为了解决这个问题,我们提出了一个异构的混合专家模型采用专家选择方法。我们让专家选择前k个令牌,而不是让令牌选择前k个专家。因此,每个令牌可以被路由到可变数量的专家,并且每个专家可以具有固定的桶大小。我们系统地研究了使用与先前工作相同的Switch Transformer top-1和GShard top-2门控的预训练加速,发现我们的方法将训练收敛时间提高了2倍以上。对于相同的计算成本,我们的方法在微调11个选定的任务在GLUE和SuperGLUE基准测试中表现出更高的性能。对于较小的激活成本,我们的方法在11个任务中的7个任务中优于T5密集模型。
2022-10-14 cs.AI cs.LG
STAR: Rethinking MoE Routing as Structure-Aware Subspace Learning
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
提出STAR方法,通过广义Hebbian算法学习主子空间来增强路由对输入结构的感知,实现专家稳定专业化,在合成数据和语言视觉任务上提升路由质量和下游性能。
2026-06-07 cs.AI cs.LG
ReMoE: Fully Differentiable Mixture-of-Experts with ReLU Routing
Tsinghua University(清华大学);Tsinghua-Bosch Joint ML Center(清华-博世联合机器学习中心)
针对传统TopK路由不可微导致性能受限的问题,提出全可微MoE架构ReMoE,以ReLU替代TopK+Softmax路由,实现高效动态计算分配,实验表明其在多种规模下优于传统MoE并具更优可扩展性。
2025-02-27 cs.LG
Advancing MoE Efficiency: A Collaboration-Constrained Routing (C2R) Strategy for Better Expert Parallelism Design
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
针对MoE模型因专家过度协作导致的通信开销和利用率不足问题,提出协作约束路由(C2R)策略,鼓励专家专业化,在多个基准上提升性能并节省20%-30%运行时间。
2025-04-20 cs.AI cs.CL cs.DC
Bridging Local and Global Knowledge: Cascaded Mixture-of-Experts Learning for Near-Shortest Path Routing
The Ohio State University(俄亥俄州立大学)
本文提出级联混合专家模型,通过局部和全局特征结合提升稀疏网络路由性能,实验显示在稀疏网络中准确率提升29.1%,并保持不同密度网络中的高性能。
2026-03-16 cs.LG cs.NI
MoRE: Scaling mixture of experts with hardware-aware low-rank routing
University of Pennsylvania(宾夕法尼亚大学);The Wharton School, University of Pennsylvania(宾夕法尼亚大学沃顿商学院)
MoRE通过低秩路由分解降低混合专家模型的路由成本,证明对数秩足以保持表达能力,并在不损害记忆与推理能力的前提下提升专家数量与问答性能。
2026-09-30 cs.AI cs.CL cs.LG
Spend Experts Where You Are Unsure: Confidence-Adaptive Routing for Mixture-of-Experts LoRA
University of California, Irvine(加州大学欧文分校);University of Washington(华盛顿大学)
研究针对专家混合LoRA路由中简单与困难令牌服务不均问题,提出置信度自适应路由CARE,它以核心方式接纳专家,校准阈值使活跃专家数匹配目标,是单前向传递规则,在多任务中改进效果显著,还提升了分布外检测能力。
2026-08-04 cs.LG
Hierarchical Routing Mixture of Experts
Carnegie Mellon University(卡内基梅隆大学)
在回归任务中,数据的分布往往过于复杂,无法用单一模型拟合。相比之下,开发基于分区的模型,其中数据被划分并由局部模型拟合。这些模型划分了输入空间,并且没有利用多模分布式数据的输入-输出依赖性,并且需要强大的本地模型来进行良好的预测。针对这些问题,我们提出了一个二叉树结构的分层路由混合专家模型(HRME)模型,分类器作为非叶节点专家和简单的回归模型作为叶节点专家。分类器节点基于多模态数据的自然分离性对输入输出空间进行联合软划分。这使得简单的叶专家能够有效地进行预测。此外,我们开发了一个概率框架的HRME模型,并提出了一个递归的期望最大化(EM)为基础的算法来学习的树结构和专家模型。一组回归任务的实验验证了我们的方法的有效性相比,各种其他回归模型。
2019-03-18 cs.LG stat.ML
MoETuner: Optimized Mixture of Expert Serving with Balanced Expert Placement and Token Routing
Georgia Institute of Technology(佐治亚理工学院)
针对MoE模型分布式部署中令牌路由与专家激活不均衡、通信尾延迟等问题,提出MoETuner方案,通过ILP优化专家放置并利用层间令牌路由依赖,实现负载均衡与通信优化,单节点和多节点推理速度分别提升9.3%和17.5%。
2025-02-10 cs.DC cs.LG
Expert Routing for Communication-Efficient MoE via Finite Expert Banks
LINCS Lab(LINCS实验室)
本文提出有限专家银行框架,通过预训练CNN专家和数据依赖选择规则,利用信息论量化路由信息,以提升MoE推理系统的资源效率和专家路由性能。
2026-05-06 cs.IT cs.LG math.IT
Spectral Manifold Regularization for Stable and Modular Routing in Deep MoE Architectures
Ibrahim Delibasoglu(独立研究者)
SR-MoE 通过谱正则化方法解决深度 MoE 架构中的专家崩溃问题,保持结构模块化并实现稳定终身学习。
2026-01-07 cs.AI cs.LG
Mixture of experts architectures for machine learning interatomic potentials
本文提出基于专家混合的MLIPs架构,通过非线性专家专业化提升模型性能,实现元素级路由的高效稳定模拟,并在多个基准测试中取得最佳精度。
2026-08-18 cs.LG physics.chem-ph physics.comp-ph