뜨거운 음료가 식거나 기계 부품의 온도가 주변 온도에 가까워지는 과정은 시간이 흐르며 양이 변하는 모습을 보여 준다. 변화하는 값만 적어 두면 다음 순간을 설명하기 어렵지만, 값이 얼마나 빠르게 변하는지까지 함께 나타내면 변화의 규칙을 수식으로 쓸 수 있다. 상미분방정식은 한 독립변수에 따라 달라지는 종속변수와 그 변화율의 관계를 나타내는 방정식이다.[1][2]
이 방정식은 변화율의 규칙만으로 구체적인 출발값을 정하지 못할 수 있다. 시작 순간의 온도나 인구처럼 초기 조건을 함께 주면, 가능한 변화 가운데 특정 상황에 맞는 해를 찾을 수 있다. 방정식이 어떤 현상을 설명하는지와 그 계산이 어떤 조건에서 성립하는지를 함께 살펴본다.[3]
1. 변화율로 나타내는 방정식
미분방정식은 미지의 함수와 그 함수의 도함수를 포함한다. 도함수는 독립변수가 조금 변할 때 함수값이 얼마나 빠르게 변하는지를 나타낸다. 상미분방정식은 독립변수가 하나인 경우를 다룬다. 예를 들어 시간이 흐를 때 물체의 온도를 나타내는 함수와 그 온도의 시간에 따른 변화율을 하나의 식으로 연결할 수 있다.[1][2]
열려 있는 수도꼭지의 물 높이처럼 순간값의 변화가 관심 대상인 상황도 같은 방식으로 표현할 수 있다. 방정식 오른쪽에는 현재 상태에 따라 달라지는 변화율 규칙이 놓인다. 따라서 수학적 모델링에서 상미분방정식은 값을 나열하는 표와 달리, 그 값이 어떻게 바뀌는지를 설명하는 규칙이다.[1]
2. 초기 조건과 해
온도가 주변보다 높은 물체가 식는 단순한 모델에서는 온도 변화율이 물체와 주변의 온도 차이에 비례한다고 둔다. 주변 온도가 일정하고 다른 조건도 일정하다고 가정하면, 물체 온도는 시간이 흐를수록 주변 온도에 가까워진다. 이는 뉴턴의 냉각 법칙을 상미분방정식으로 표현한 사례다. 실제 온도 변화는 물체와 환경의 조건에 따라 달라지므로 이 식은 정해 둔 가정 안에서 쓰는 모델이다.[3]
같은 변화율 규칙에는 출발 온도가 다른 여러 해가 대응할 수 있다. 처음 온도처럼 특정 시점의 함수값을 초기 조건이라고 한다. 1차 초기값문제는 미분방정식과 한 지점에서의 값 조건을 함께 제시한다. 이 조건은 해의 가족 가운데 출발 상황에 맞는 곡선을 고르는 역할을 한다. 이는 시간에 따라 상태가 변하는 동역학계를 설명할 때 출발 조건을 명시하는 이유다. 다만 초기 조건을 주었다고 항상 해가 존재하거나 유일해지는 것은 아니며, 그런 결론에는 방정식이 만족해야 할 별도의 조건이 있다.[4]
3. 차수와 선형성
상미분방정식은 가장 높은 차수의 도함수가 몇 차인지에 따라 차수를 구분한다. 1차 방정식에는 1차 도함수가, 2차 방정식에는 2차 도함수가 포함된다. 차수는 방정식에 필요한 조건과 해법을 살펴볼 때 쓰는 분류 기준이다. 처음에는 한 개의 변화율을 다루는 1차 식을 중심으로 이해하면 구조를 파악하기 쉽다.[1][2]
선형성은 미지 함수와 도함수가 식에서 어떤 형태로 나타나는지를 구분한다. 예를 들어 미지 함수나 그 도함수가 서로 곱해지거나 제곱되는 식은 선형식의 형태가 아니다. 선형·비선형이라는 이름은 식의 모양에 대한 분류이며, 어느 쪽이든 실제 현상과 잘 맞는지는 모델의 가정과 자료로 따로 판단해야 한다.[2]
4. 해법과 수치 계산
간단한 방정식은 변수분리법이나 적분 인자처럼 식의 구조를 이용해 해를 구할 수 있다. 그러나 모든 상미분방정식이 짧은 닫힌 형태의 해를 갖는 것은 아니다. 이때는 컴퓨터가 시간을 작은 간격으로 나누고 각 단계의 변화율을 이용해 다음 값을 근사하는 수치해석 방법을 쓸 수 있다. 오일러 방법과 룽게쿠타 방법은 초기값문제를 다룰 때 쓰이는 수치 계산 방식의 예다.[1][5]
계산된 값은 정확한 해와 구분해야 한다. 시간 간격과 계산 방법에 따라 근삿값의 오차가 달라질 수 있다. 따라서 수치해석에서는 결과값뿐 아니라 계산 간격과 오차가 결과에 미치는 영향도 살핀다. 수치 계산은 식을 풀기 어려운 문제를 다루는 도구이지, 입력한 모델의 가정을 자동으로 검증해 주는 과정은 아니다.[5]
5. 현상 모델링과 한계
상미분방정식은 물리·생물학·공학 문제에서 시간에 따른 변화를 표현하는 데 활용된다. 단순한 개체수 증가 모델은 개체수가 많을수록 증가 속도도 커진다고 가정할 수 있지만, 자원·공간 같은 제약을 무시하면 장기적으로 현실과 맞지 않을 수 있다. 뉴턴의 냉각 법칙도 주변 온도와 열 전달 조건이 일정하다는 가정을 둔다. 두 사례는 방정식이 현상 자체가 아니라, 선택한 가정 아래 현상을 설명하는 모델임을 보여 준다.[3]
모델을 읽을 때는 식에 포함된 양과 빠진 조건을 함께 확인해야 한다. 초기값이 달라지거나 환경이 시간에 따라 변하면 같은 방정식으로 계산한 결과도 달라질 수 있다. 방정식의 해가 있다는 사실과 그 해가 현실을 정확히 예측한다는 주장은 서로 다르다.[3][4]
6. 신경 상미분방정식
신경 상미분방정식(Neural ODE)은 미분방정식의 변화율 규칙을 신경망으로 표현하는 연구 방식이다. 전통적인 신경망이 여러 층의 계산을 차례로 적용한다면, Neural ODE는 상태가 연속적으로 변하는 과정을 미분방정식과 수치 적분으로 계산한다. 이 방식은 연속 시간 잠재변수 모델과 연속 정규화 흐름 같은 연구에도 활용되었다.[6]
이 이름은 모든 신경망이 상미분방정식으로 바뀌었다는 뜻이 아니다. Neural ODE는 상미분방정식의 수학적 틀을 특정 기계학습 모델에 적용한 사례다. 계산 과정이 수치 적분에 의존하므로 적분기의 설정과 계산량도 고려해야 한다.[6]
7. 관련 문서
8. 인용 및 각주
[1] Paul Dawkins, Differential Equations, Lamar University, tutorial.math.lamar.edu(새 탭에서 열림)
[2] Paul Dawkins, Differential Equations - Definitions, Lamar University, tutorial.math.lamar.edu(새 탭에서 열림)
[3] MIT OpenCourseWare, Differential Equations (18.03SC), ocw.mit.edu(새 탭에서 열림)
[4] Jacques and Judd, “Ordinary differential equations: initial value problems,” Springer, link.springer.com(새 탭에서 열림)
[5] Python Numerical Methods, “Chapter 22: Ordinary Differential Equation - Initial Value Problems,” University of California, Berkeley, pythonnumericalmethods.studentorg.berkeley.edu(새 탭에서 열림)
[6] Chen et al., “Neural Ordinary Differential Equations,” arXiv, arxiv.org(새 탭에서 열림)