편미분·이중적분 맛보기
두 개 이상의 변수가 있을 때 '하나씩 바꿔가며' 기울기를 재는 편미분 — 3D 지형도의 경사도.
날씨 앱이 '기온 22°C, 습도 60%일 때 체감온도'를 계산할 때 두 변수(기온·습도) 모두를 고려한다. 이때 '기온만 변하면 체감온도가 어떻게 바뀌는가?'를 재는 것이 편미분이다. AI 딥러닝의 역전파(backpropagation)는 수백만 개 파라미터에 대한 편미분을 매 학습 단계마다 계산한다. 이 개념을 이해하지 못하면 AI의 작동 원리를 설명할 수 없다.
피자 맛 점수 z를 치즈 양 x와 굽는 온도 y의 함수 로 생각해 봅시다: z = f(x, y). '온도(y)를 그대로 두고 치즈(x)만 1g 더 얹으면 맛 점수가 얼마나 오르는가?' — 이 질문에 답하는 것이 편미분(partial derivative) 입니다. 다른 변수는 상수 취급하고 오직 한 변수에 대해서만 미분합니다.
| 기호 | 뜻 | 비유 |
|---|---|---|
| ∂f/∂x | x에 대한 편미분 (y를 상수로) | 남북 방향 경사 |
| ∂f/∂y | y에 대한 편미분 (x를 상수로) | 동서 방향 경사 |
| ∂²f/∂x∂y | 혼합 편미분 (x로 미분 후 y로 미분) | 경사의 경사 |
| ∫∫_D f(x,y) dA | 이중적분 | 3D 지형 아래 부피 |
편미분 계산 규칙: ∂f/∂x 를 구할 때 y는 상수처럼 취급한다. 예를 들어 f = 3x²y 에서 ∂f/∂x = 6xy (y는 상수이므로 그대로 붙은 채 x²만 미분해 2x).
예제 1 — 편미분
f(x, y) = 3x² + 2xy + y³
∂f/∂x = 6x + 2y (y를 상수 취급)
∂f/∂y = 2x + 3y² (x를 상수 취급)
(2, 1) 에서의 편미분값:
∂f/∂x|(2,1) = 6·2 + 2·1 = 14
∂f/∂y|(2,1) = 2·2 + 3·1² = 7
예제 2 — 이중적분 직관
직사각형 영역 [0,2] × [0,3] 에서 f=1 의 이중적분
∫₀³ ∫₀² 1 dx dy
= ∫₀³ [x]₀² dy = ∫₀³ 2 dy
= [2y]₀³ = 6
해석: 가로 2, 세로 3 인 직사각형의 넓이 = 6.
이중적분은 '가로 적분 후 세로 적분' — 얇은 빵조각(dx)을 합친 뒤 층층 쌓음(dy).AI 연결 — 경사하강법(Gradient Descent): 딥러닝은 손실함수 L(w₁, w₂, …, wₙ)을 최소화해야 합니다. 이때 각 파라미터에 대한 편미분 ∂L/∂wᵢ 를 계산하고 그 반대 방향으로 조금씩 이동합니다. 이 '경사를 따라 내려가는' 과정을 수백만 번 반복해 모델이 학습됩니다.
실생활 응용 — ① AI 딥러닝 역전파(편미분으로 가중치 갱신) ② 기상 예측(기온·습도·풍속 다변수 민감도 분석) ③ 경제 한계효용(사과·바나나를 1개씩 더 소비할 때 효용 변화) ④ 이미지 처리(x·y 픽셀 방향 gradient로 에지 검출) ⑤ 물리 연속체 역학(속도장의 발산·회전)
f(x, y) = x³ + y² 에서 ∂f/∂x 를 구하면? (x로만 된 식으로 답)
f(x, y) = 2x²y + xy³ 에서 ∂f/∂y 는?
f(x, y) = xy 에서 점 (3, 2) 에서의 ∂f/∂x 의 값은?
이중적분 ∫∫_D 1 dA 의 값은 영역 D의 넓이 와 같다.
f(x, y) = e^(x+y) 에서 혼합 편미분 ∂²f/∂x∂y 의 값은? (지수 함수 형태로)