Φίλιππος Σοφός

- Εφαρμογή μεθόδων Μηχανικής Μάθησης στις φυσικές επιστήμες και τη μηχανική
- Βαθιά Μάθηση
- Υπολογιστική μελέτη ιδιοτήτων υγρών σε πολλαπλές κλίμακες
- Αλληλεπίδραση στερεών/υγρών στη νανοκλίμακα
- Ροές σε ηλεκτρικό/μαγνητικό πεδίο, Βιολογικές ροές
- Υπολογιστικές μέθοδοι στην Υδραυλική

- D. Angelis, F. Sofos, T.E. Karakasidis, Reassessing the transport properties of fluids: A symbolic regression approach, Physical Review E 109, 015105 (2024).
- F. Sofos, D. Drikakis, I.W. Kokkinakis, S.M. Spottswood, A deep learning super-resolution model for turbulent image upscaling and its application to shock-wave boundary layer interaction, Physics of Fluids 36, 025117 (2024).
- C. Stavrogiannis, V. Tsioulos, F. Sofos, A hybrid molecular dynamics/machine learning framework to calculate the viscosity and thermal conductivity of Ar, Kr, Xe, O and Ν, Applied Research (2024), e202300127.
- C. Stavrogiannis, F. Sofos, M. Sagri, D. Vavougios, T.E. Karakasidis, Twofold Machine-Learning and Molecular Dynamics: A Computational Framework, Computers 13(1):2 (2024).
- F. Sofos, D. Drikakis, I.W. Kokkinakis, S.M. Spottswood, Convolutional neural networks for compressible turbulent flow reconstruction, Physics of Fluids (2023), 35 (11): 116120.
- F. Sofos, C. Dritselis, S. Misdanitis, T.E. Karakasidis, D. Valougeorgis, Computation of flow rates in rarefied gas flow through circular tubes via machine learning techniques. Microfluid Nanofluid 27, 85 (2023).
- D. Drikakis, F. Sofos, Can Artificial Intelligence Accelerate Fluid Mechanics Research? Fluids 2023, 8, 212.
- D. Angelis, F. Sofos, T.E. Karakasidis, Artificial Intelligence in Physical Sciences: Symbolic Regression Trends and Perspectives. Archives of Computational Methods in Engineering 30, 3845–3865 (2023).