"함수 관계가 처럼 명확히 드러나지 않는 상황에서, 변수 간의 미세한 균형 관계()를 추적하여 곡선의 기울기를 도출한다."
Chapter 5까지가 하나의 입력 에 대해 하나의 출력 가 명시적으로 짝지어지는 '양함수(Explicit Function)'의 세계를 다루었다면, Chapter 6은 변수들이 서로 복잡하게 얽혀 있는 '음함수(Implicit Function)'의 세계로 들어갑니다.
우리는 이 장을 통해 명시적으로 정리되지 않은 수식에서도 변수 간의 미세한 변화량 균형()을 이용하여 접선의 기울기를 구하는 원리를 파악하고, 이것이 물리적 연관 변화율과 AI/딥러닝의 복잡한 제약 조건 최적화에 어떻게 적용되는지 직관적으로 이해해 보겠습니다.
명시적 함수 (Explicit): 또는 처럼 한 변수가 다른 변수의 직접적인 연산 결과(입출력 관계)로 명확히 정의됩니다.
음함수 (Implicit): 처럼 두 변수가 서로 얽혀 특정 조건(방정식)을 만족해야 하는 상태입니다. 이는 평면 위의 모든 점 중에서 해당 방정식을 만족하여 '0(또는 상수의 균형)'을 맞추는 점들만 연결한 곡선입니다.
음함수의 미분은 곡선 위의 한 점 에서 등식의 균형을 깨트리지 않으면서 아주 미세하게 이동할 수 있는 방향(와 의 비율)을 찾는 과정입니다.
원의 방정식 를 예로 들어보겠습니다. 이 식을 라는 어떤 지형의 높이 값이라고 생각하면, 우리는 높이가 정확히 인 등고선(Contour Line) 위에만 서 있어야 합니다.
우리가 만큼 움직였을 때, 여전히 원 위에 있으려면 전체 높이의 변화량(전미분 )은 반드시 이어야 합니다.
이를 수식으로 나타내면 다음과 같습니다:
의 변화량은 의 변화량()에 그 지점의 기울기()를 곱한 입니다.
마찬가지로 의 변화량은 의 변화량()에 기울기()를 곱한 입니다.
이 두 변화량의 합이 정확히 이 되어야만 원의 궤적을 벗어나지 않고 균형을 유지합니다.
전통적인 계산 방식에서는 를 에 의존하는 함수 로 봅니다.
의 양변을 에 대해 미분하면:
을 미분하면:
을 미분하면 (연쇄 법칙 적용): 겉함수 미분() 속함수 미분()
상수를 미분하면:
결과적으로 아래와 같은 식을 얻습니다:
길이가 인 사다리가 벽에 기대어 있고, 바닥이 의 속도로 멀어질 때 꼭대기가 내려오는 속도 를 구하는 물리 문제입니다.
관계식:
시간 에 대한 음함수 미분:
이 식은 위치에 따른 두 속도 사이의 '강제된 물리적 상관관계'를 완벽하게 설명합니다.
를 직접 미분하기 어려울 때, 음함수 형태인 로 바꾸어 해결할 수 있습니다.
AI 엔지니어가 잡아야 할 직관
이 음함수 미분의 아이디어는 딥러닝의 Implicit Reparameterization이나, 에너지 기반 모델(Energy-based Model), 그리고 최신 AI 분야의 Implicit Neural Representations (INR / NeRF) 에서 복잡한 공간적 제약 조건을 가진 수식을 다룰 때 핵심적인 수학적 기초가 됩니다.
균형 유지: 음함수 미분은 식의 양변이 가진 '미세 변화량()'이 서로 같아야 한다는 원리를 이용합니다.
독립성 탈피: 와 를 입력/출력 관계가 아닌, 서로의 변화에 제약을 주는 동등한 관계로 바라봅니다.
기하적 의미: 결과값 는 곡선 위의 특정 좌표 에서 접선의 기울기를 의미합니다.
강력한 도구: 복잡한 역함수나 물리적 연관 변화율, 제약 조건 최적화 문제를 풀 때 가장 효율적인 해법을 제공합니다.
아래 질문들에 대해 스스로 설명할 수 있다면 Chapter 6을 완벽히 이해한 것입니다!
부정형 회피: 미분 시 왜 우변은 이 되는가?
기하학적 적용: 라면, 원의 꼭대기()에서 기울기는?
연쇄 법칙 누락: 음함수 미분에서 가장 많이 실수하는 부분은?