Physics-Informed Neural Network-Based Computational Modeling and Analysis of Lipid Bilayer Membranes

Rana Talal Ahmad Khan; Chun Il Kim; Heung Soo Kim

doi:10.7734/COSEIK.2026.39.4.229

All Issue

2026 Vol.39, Issue 4 Preview Page Next Page

Physics-Informed Neural Network-Based Computational Modeling and Analysis of Lipid Bilayer Membranes 물리 기반 신경망을 활용한 지질 이중층 막의 계산 모델링 및 분석

31 August 2026. pp. 229-233

PDF XML

Abstract

This paper presents a physics-informed neural network (PINN) framework for predicting the moment-induced bending behavior of a rectangular lipid membrane. Membrane deformation is modeled using the linearized Helfrich shape equation, which describes the equilibrium response of a lipid bilayer subjected to prescribed edge moments. In the proposed approach, the neural network approximates the transverse membrane deflection without requiring labeled numerical or experimental data. The governing fourth-order partial differential equation and edge moment boundary conditions are incorporated into the training loss, enabling the model to learn solutions that remain consistent with the underlying membrane mechanics. A boundary-constrained trial function is employed to satisfy the zero-deflection condition along the membrane edges, whereas automatic differentiation is used to evaluate the higher-order spatial derivatives required in the governing equation. The predicted deflection fields were validated against the available analytical solution for different applied edge moments. The results agreed closely between the PINN and analytical solutions in terms of maximum deflection and deformation profile. The model accurately captured the symmetric bending response of the rectangular membrane and reproduced the expected increase in deflection with increasing moment intensity. These findings demonstrate that a simple PINN formulation can serve as an effective mesh-free computational tool for solving high-order membrane mechanics problems and can provide a useful alternative to conventional numerical methods for analyzing lipid membrane deformation.

Keywords

physics-informed neural network

lipid membrane

Helfrich model

edge moment

membrane bending

fourth-order PDE

본 연구는 직사각형 지질막의 모멘트 유도 굽힘 거동을 예측하기 위한 물리 정보 신경망 (Physics-Informed Neural Network, PINN) 프레임워크를 제시한다. 막의 변형은 선형화된 Helfrich 형상 방정식을 이용하여 모델링되며, 이 방정식은 지정된 경계 모멘트를 받는 지질 이중층의 평형 응답을 설명한다. 제안된 접근법에서 신경망은 라벨이 부여된 수치 데이터나 실험 데이터 없이 막의 횡방향 처짐을 근사한다. 지배 4차 편미분방정식과 경계 모멘트 조건을 학습 손실 함수에 포함함으로써, 모델이 기저 막 역학과 일관성을 유지하는 해를 학습할 수 있도록 하였다. 막의 가장자리를 따라 영 처짐 조건을 만족시키기 위해 경계 구속 시험 함수를 적용하였으며, 지배 방정식에 필요한 고차 공간 미분항을 계산하기 위해 자동 미분을 사용하였다. 예측된 처짐장은 서로 다른 적용 경계 모멘트에 대해 이용 가능한 해석해와 비교하여 검증하였다. 결과는 최대 처짐 및 변형 형상 측면에서 PINN 해와 해석해가 높은 일치도를 보임을 나타낸다. 본 모델은 직사각형 막의 대칭적 굽힘 응답을 정확하게 포착하였으며, 모멘트 강도가 증가함에 따라 처짐이 증가하는 예상 거동을 재현하였다. 이러한 결과는 단순한 PINN 정식화가 고차 막 역학 문제를 해결하기 위한 효과적인 무격자 계산 도구로 활용될 수 있음을 보여주며, 지질막 변형 해석에서 기존 수치해석 기법에 대한 유용한 대안이 될 수 있음을 시사한다.

키워드

물리 정보 신경망

지질막

Helfrich 모델

경계 모멘트

막 굽힘

4차 편미분방정식

References

Belay, T., Kim, C.I., Schiavone, P. (2016) Analytical Solution of Lipid Membrane Morphology Subjected to Boundary Forces on the Edges of Rectangular Membranes, Contin. Mech. & Thermodyn., 28(1-2), pp.305~315.

10.1007/s00161-015-0426-5

Campelo, F., Arnarez, C., Marrink, S.J., Kozlov, M.M. (2014) Helfrich Model of Membrane bending: From Gibbs Theory of Liquid Interfaces to Membranes as Thick Anisotropic Elastic Layers, Adv. Colloid & Interface Sci., 208, pp. 25~33.

10.1016/j.cis.2014.01.018

Kim, D., Lee, J. (2024) A Review of Physics Informed Neural Networks for Multiscale Analysis and Inverse Problems, Multiscale Sci. & Eng., 6(1), pp.1~11.

10.1007/s42493-024-00106-w

Lee, C., Natarajan, S., Yee, J.-J. (2023) Quasi-Brittle and Brittle Fracture Simulation using Phase-Field Method based on Cell-based Smoothed Finite Element Method, J. Comput. Struct. Eng. Inst. Korea, 36(5), pp.295~305.

10.7734/COSEIK.2023.36.5.295

Lipowsky, R. (1995) The Morphology of Lipid Membranes, Curr. Opin. Struct. Biol., 5(4), pp.531~540.

10.1016/0959-440X(95)80040-9

Liu, Y., Xu, H., Dong, C., Guo, J. (2025) Analysis for Meshing Stiffness and Transmission Error of Non-Circular Gear based on Finite Element Method, J. Mech. Sci. & Technol. 39(12), pp.7425~7435.

10.1007/s12206-025-1110-8

Wang, Y., Li, Q., Xu, Y., Zhou, J., Li, Y., Zhang, D., Liu, Q., Jiang, D. (2025) Prediction of Hypervelocity Impact Performance of Composite Protective Structures using a Combined Finite Element Method and Smoothed Particle Hydrodynamics Approaches, J. Mech. Sci. & Technol., 39(2), pp.553~566.

10.1007/s12206-025-0105-9

Wei, T.-J., Wan, W.-N., Chen, C.-S. (2026) Deep Material Network: Overview, Applications, and Current Directions, Multiscale Sci. & Eng., 8(1), pp.1~19.

10.1007/s42493-026-00146-4

Yoo, H.S., Kim, H.S. (2016) Simulation of Multi-Cracking in a Reinforced Concrete Beam by Extended Finite Element Method, J. Comput. Struct. Eng. Inst. Korea, 29(2), pp.201~208.

10.7734/COSEIK.2016.29.2.201

Information

Publisher :Computational Structural Engineering Institute of Korea
Publisher(Ko) :한국전산구조공학회
Journal Title :Journal of the Computational Structural Engineering Institute of Korea
Journal Title(Ko) :한국전산구조공학회 논문집
Volume : 39
No :4
Pages :229-233
Received Date : 2026-05-18
Revised Date : 2026-05-26
Accepted Date : 2026-05-27
DOI :https://doi.org/10.7734/COSEIK.2026.39.4.229

Journal of the Computational Structural Engineering Institute of Korea ISSN:1229-3059(Print) 2287-2302(Online) 한국전산구조공학회 논문집

All Issue