Chapter 5 - 지수함수의 미분과 오일러 상수 e

0. 이 장의 목적

"지수함수의 미분은 함숫값 자체에 비례하며, 그 비례 상수가 정확히 1이 되게 만드는 마법의 밑(base)이 바로 e이다."

이 장에서는 Chapter 3, 4에서 다룬 기하학적 미분과 연쇄 법칙을 바탕으로, 자연 현상과 AI 알고리즘에서 가장 빈번하게 등장하는 지수함수의 변화율을 탐구합니다. 왜 지수함수의 미분이 자기 자신과 비례하는지, 그리고 미적분학에서 오일러 상수 $e$가 그토록 특별하게 취급받는 이유를 직관적 수식 분리와 연쇄 법칙을 통해 완벽히 내재화하는 것이 목표입니다.

1. 지수함수의 변화율 관찰: 인구 증가 모델

우리가 던져야 할 핵심 질문은 다음과 같습니다. * 시간에 따라 기하급수적으로 늘어나는 양(인구, 감염병, 투자 자산)은 '순간적으로' 얼마나 빠르게 증가할까?

• 직관: 인구 질량이 시간에 따라 2배씩 늘어나는 상황($2^t$)을 생각해 봅시다.

• 관찰: 하루 단위(큰 시간 간격)로 보면, 인구가 8일 때($t=3$) 다음 날까지 8만큼 늘고($8 \to 16$), 16일 때는 16만큼 늘어납니다. 즉, 1일 단위 평균 성장률이 현재 인구수와 같습니다.

• 한계: 하지만 미분은 '순간'의 변화를 다룹니다. 아주 짧은 시간($\Delta t$) 동안의 미세한 변화를 관찰해야 합니다.

• 공식화: $\frac{d}{dt}2^t = \lim_{\Delta t \to 0} \frac{2^{t+\Delta t} - 2^t}{\Delta t}$

2. 지수함수 미분의 핵심 성질: 비례성

미분 정의식에 지수 법칙 $2^{t+\Delta t} = 2^t \cdot 2^{\Delta t}$를 적용해 봅시다. 덧셈으로 표현된 지수를 곱셈으로 바꿈으로써 '현재 값'과 '미세 변화량'을 완벽히 분리할 수 있습니다.

• 수식 분리 및 구조 파악: $\frac{d}{dt}2^t = \lim_{\Delta t \to 0} \frac{2^t \cdot 2^{\Delta t} - 2^t}{\Delta t} = 2^t \cdot \left( \lim_{\Delta t \to 0} \frac{2^{\Delta t} - 1}{\Delta t} \right)$

• 여기서 중요한 것은:
  $2^t$ : 현재 위치에서의 함숫값 (현재 인구수, 시간에 의존)
  $\lim_{\Delta t \to 0} \frac{2^{\Delta t} - 1}{\Delta t}$ : 시간 $t$와 전혀 상관없는 고정된 상수(Constant)

  즉, 지수함수 $2^t$의 미분은 (현재 함숫값) × (고정된 숫자)가 됩니다.

• 데이터 확인: 계산기에서 $\Delta t$에 아주 작은 수(예: $0.000001$)를 넣고 괄호 안의 극한값을 직접 계산해보면 다음과 같은 비례 상수가 나옵니다.

  • 밑이 2일 때 상수: $\approx 0.6931$

  • 밑이 3일 때 상수: $\approx 1.0986$

  • 밑이 8일 때 상수: $\approx 2.079$ (2일 때 상수의 정확히 3배!)

3. 오일러 상수 e의 정의와 의미

• 질문: "비례 상수가 지저분한 소수가 아니라, 정확히 1이 되는 밑은 없을까?"

• 정의의 탄생: 이 질문의 답이 바로 오일러 상수 $e \approx 2.71828$입니다. 이것이 숫자 $e$를 정의하는 수학적 본질입니다. $\lim_{\Delta t \to 0} \frac{e^{\Delta t} - 1}{\Delta t} = 1$

• 기하학적 해석: $y = e^t$ 그래프의 어떤 지점에서도 접선의 기울기는 그 지점의 높이($y$값)와 정확히 같습니다.

  • 높이가 1일 때 기울기 = 1

  • 높이가 $e$일 때 기울기 = $e$

  • 높이가 10일 때 기울기 = 10

• 미분 공식: $\frac{d}{dt}e^t = e^t \cdot (1) = e^t$

4. 연쇄 법칙(Chain Rule)과의 결합 (실전 응용)

1) 상수 배 지수 $e^{ct}$의 미분
$e^{ct}$를 미분할 때 Chapter 4에서 배운 연쇄 법칙(Chain Rule)을 적용하면, 겉함수 미분값에 속함수($ct$)의 미분값 $c$가 곱해집니다. $\frac{d}{dt}e^{ct} = c \cdot e^{ct}$
2) 모든 지수함수의 통합 (미스터리 해점)
밑이 $e$가 아닌 모든 지수함수도 밑을 $e$로 변환하여 표현할 수 있습니다. 로그의 정의에 의해 $2 = e^{\ln 2}$이므로, $2^t = (e^{\ln 2})^t = e^{(\ln 2)t}$가 됩니다.

• 이를 연쇄 법칙으로 미분해 보면 $\frac{d}{dt}2^t = \frac{d}{dt}e^{(\ln 2)t} = (\ln 2) \cdot e^{(\ln 2)t} = (\ln 2) \cdot 2^t$

• 결론 및 구조적 이해: 앞서 발견한 미스터리한 비례 상수들($0.6931, 1.0986, 2.079$ 등)의 정체는 사실 $\ln(\text{밑})$이었던 것입니다!

  • 밑이 2일 때: $\ln 2 \approx 0.6931$**

  • 밑이 8일 때: $\ln 8 = \ln(2^3) = 3\ln 2 \approx 2.079$ (아까 2일 때의 정확히 3배였던 이유가 비로소 밝혀집니다.)**

• AI 엔지니어가 가져갈 직관: 딥러닝의 활성화 함수(Softmax, Sigmoid 등)나 손실 함수 계산 시 $e^x$ 형태를 압도적으로 많이 쓰는 이유가 바로 여기에 있습니다. 미분해도 형태가 $e^x$ 그대로 유지되어, 역전파(Backpropagation) 계산 시 연산량을 획기적으로 줄여주기 때문입니다.

5. [Challenge] 복합 문제 및 심화 유도

1) 일반적인 로그함수의 미분 유도 ($\ln x$의 미분)

• 모델: $y = \ln x$의 미분을 구하기 위해 지수 형태로 변환합니다 $\rightarrow e^y = x$.
• 계산: 양변을 $x$에 대해 미분할 때 연쇄 법칙을 적용합니다.
  $\frac{d}{dx}(e^y) = e^y \cdot \frac{dy}{dx} = 1$
  식 정리: $\frac{dy}{dx} = \frac{1}{e^y}$ 이며, $e^y = x$를 대입합니다. 결과적으로: $\frac{d}{dx}\ln x = \frac{1}{x}$
  1) 복합 지수함수 $f(x) = a^{g(x)}$의 연쇄 법칙 유도
• 모델: $f(x) = a^{g(x)}$를 밑 $e$로 변환하면 $e^{(\ln a) \cdot g(x)}$가 됩니다.
• 계산: 연쇄 법칙을 적용하여 겉미분과 속미분을 순차 적용합니다.
  $\frac{d}{dx}a^{g(x)} = \frac{d}{dx}e^{(\ln a)g(x)} = e^{(\ln a)g(x)} \cdot (\ln a)g'(x)$ 결과적으로: $\frac{d}{dx}a^{g(x)} = a^{g(x)} \cdot (\ln a) \cdot g'(x)$

6. 이 장의 핵심 요약

• 비례성: 모든 지수함수의 미분값은 현재 함숫값에 비례하는 성질을 가집니다.

• 수식 분리: 지수 법칙 덕분에 미분 계산 시 시간에 의존하는 항($2^t$)과 미세 변화에 의존하는 상수 항을 완벽히 분리할 수 있습니다.

• e의 본질: 자연로그의 밑 $e$는 지수함수의 미분 비례 상수를 정확히 1로 만들어주는 유일하고 특별한 숫자입니다.

• 자연 현상 표현: 인구 성장, 냉각 법칙, 방사능 반감기, 투자 수익 등 변화율이 현재 크기에 비례하는 모델은 $e$를 사용할 때 가장 명확하게 설명됩니다.

• 계산의 단순화: $e^t$를 미분해도 자기 자신이 된다는 점은 미적분학의 복잡한 연산을 획기적으로 단순화하는 핵심 도구가 됩니다.

7. Chapter 1, 2, 4와의 연결 (지수함수의 위치)

Chapter 1에서 배운 '누적(적분)', Chapter 2에서 배운 '변화율(미분)', Chapter 4의 '연쇄 법칙'이 지수함수 $e^t$와 만나면 독특한 성질을 완성합니다.

$\frac{d}{dt}e^t = e^t \quad \Longleftrightarrow \quad \int e^t \, dt = e^t + C$

• 미분을 해도 자기 자신($e^t$)
• 적분을 해도 자기 자신($e^t$)

지수함수 $e^t$는 미분과 적분이라는 거대한 두 연산 체계 사이에서 자기 자신을 완전히 보존하는 유일한 변화 모델로서, 미분방정식과 AI 알고리즘 전반을 지배하는 기본 기저(Basis)가 됩니다.

8. 스스로 체크하기

아래 질문들에 대해 스스로 설명할 수 있다면 Chapter 5를 완벽히 이해한 것입니다!

• 비례 관계의 원인: 지수함수를 미분할 때 왜 '현재 함숫값'이 밖으로 곱해져 나오나요? (지수 법칙을 통한 분리)

• 오일러 상수 e의 정의: $e$는 단순한 무한소수가 아니라 수학적으로 어떤 질문에 대한 답으로 탄생했나요?

• 비례 상수의 정체: 지수함수 $a^x$를 미분할 때 곱해지는 비례 상수 $\lim_{\Delta x \to 0} \frac{a^{\Delta x}-1}{\Delta x}$의 진짜 정체는 무엇인가요? ($\ln a$)

• e의 실용성: AI나 물리학에서 밑을 $2$나 $10$ 대신 $e$로 바꿔서 표현하는 것이 왜 훨씬 유리할까요?

• 로그함수 미분: $\ln x$를 미분하면 왜 $\frac{1}{x}$이 되는지 지수함수 변환과 연쇄 법칙으로 설명할 수 있나요?