magnum.np: a PyTorch based GPU enhanced finite difference micromagnetic simulation framework for high level development and inverse design
- Location
-
Deutsche Nationalbibliothek Frankfurt am Main
- Extent
-
Online-Ressource, 1 online resource.
- Language
-
Englisch
- Bibliographic citation
-
magnum.np: a PyTorch based GPU enhanced finite difference micromagnetic simulation framework for high level development and inverse design ; volume:13 ; number:1 ; day:25 ; month:7 ; year:2023 ; pages:1-13 ; date:12.2023
Scientific reports ; 13, Heft 1 (25.7.2023), 1-13, 12.2023
- Creator
- Contributor
-
SpringerLink (Online service)
- DOI
-
10.1038/s41598-023-39192-5
- URN
-
urn:nbn:de:101:1-2023102709225669873960
- Rights
-
Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
- Last update
- 14.08.2025, 11:01 AM CEST
Data provider
This object is provided by:
Deutsche Nationalbibliothek. If you have any questions about the object, please contact the data provider.
Deutsche Nationalbibliothek. If you have any questions about the object, please contact the data provider.
Associated
- Bruckner, Florian
- Koraltan, Sabri
- Abert, Claas
- Suess, Dieter
- SpringerLink (Online service)
Other Objects (12)
An introduction to PyTorch & Autograd
Deep Learning with PyTorch for Fun and Profit
Extracting and visualizing hidden activations and computational graphs of PyTorch models with TorchLens
Comparison of AutoML solutions Auto-PyTorch and AutoCVE
PyTorch kompakt : Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
Keynote - PyTorch: Framework for fast, dynamic deep learning and scientific computing
Natural language processing mit PyTorch : intelligente Sprachanwendungen mit Deep Learning erstellen
Einstieg in Deep Reinforcement Learning : KI-Agenten mit Python und PyTorch programmieren
GANs mit PyTorch selbst programmieren : ein verständlicher Einstieg in Generative Adversarial Networks
Deep learning - Grundlagen und Implementierung : neuronale Netze mit Python und PyTorch programmieren
Simulating the Photon Statistics of Gaussian States Employing Automatic Differentiation from PyTorch
PyTorch für Deep Learning : Anwendungen für Bild-, Ton- und Textdaten entwickeln und deployen
An introduction to PyTorch & Autograd
Deep Learning with PyTorch for Fun and Profit
Extracting and visualizing hidden activations and computational graphs of PyTorch models with TorchLens
Comparison of AutoML solutions Auto-PyTorch and AutoCVE
PyTorch kompakt : Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
Keynote - PyTorch: Framework for fast, dynamic deep learning and scientific computing
Natural language processing mit PyTorch : intelligente Sprachanwendungen mit Deep Learning erstellen
Einstieg in Deep Reinforcement Learning : KI-Agenten mit Python und PyTorch programmieren
GANs mit PyTorch selbst programmieren : ein verständlicher Einstieg in Generative Adversarial Networks
Deep learning - Grundlagen und Implementierung : neuronale Netze mit Python und PyTorch programmieren
Simulating the Photon Statistics of Gaussian States Employing Automatic Differentiation from PyTorch
PyTorch für Deep Learning : Anwendungen für Bild-, Ton- und Textdaten entwickeln und deployen
An introduction to PyTorch & Autograd
Deep Learning with PyTorch for Fun and Profit
Extracting and visualizing hidden activations and computational graphs of PyTorch models with TorchLens
Comparison of AutoML solutions Auto-PyTorch and AutoCVE
PyTorch kompakt : Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
Keynote - PyTorch: Framework for fast, dynamic deep learning and scientific computing
Natural language processing mit PyTorch : intelligente Sprachanwendungen mit Deep Learning erstellen
Einstieg in Deep Reinforcement Learning : KI-Agenten mit Python und PyTorch programmieren
GANs mit PyTorch selbst programmieren : ein verständlicher Einstieg in Generative Adversarial Networks
Deep learning - Grundlagen und Implementierung : neuronale Netze mit Python und PyTorch programmieren
Simulating the Photon Statistics of Gaussian States Employing Automatic Differentiation from PyTorch