Ακαδημαϊκή Βαθμίδα : Επίκουρος Καθηγητής

Γνωστικό Αντικείμενο : Υπολογιστική Φυσική Συμπυκνωμένης Ύλης

Κατεβάστε : [Βιογραφικό Σημείωμα (EL)], [Curriculum Vitae (EN)]


Προσωπικός Ιστότοπος https://www.phys.uth.gr/fsofos
E-mail fsofos [at] uth.gr
Τηλ. Εργασίας (+30)2231060139
Γραφείο ΣΤΕΦ, 1ος όροφος
Ώρες Συνεργασίας με Φοιτητές Τετάρτη 10-12:00
Τομείς Ερευνητικού Ενδιαφέροντος

- 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

Επιλεγμένες Δημοσιεύσεις

- 2023 Best paper award: F. Sofos, C. Stavrogiannis, K.K. Exarhou-Kouveli, D. Akaboua, G. Charilas, T.E. Karakasidis, Current Trends in Fluid Research in the era of Artificial Intelligence: A Review, Fluids 7 (2022) 116.

- F. Sofos, E. Rouka, V. Triantafyllia, E. Andreakos, K.I. Gourgoulianis, E. Karakasidis, T. Karakasidis, Development and validation of a symbolic regression-based machine learning method to predict COVID-19 in-hospital mortality among vaccinated patients. Health and Technology (2024). https://doi.org/10.1007/s12553-024-00886-z
- 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, Deep learning architecture for sparse and noisy turbulent flow data, Physics of Fluids 36 (3), 035155 (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, 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).