본문으로 건너뛰기

르장드르 변환: 직관, 사례, 열역학적 연결

· 약 7분
p4r4d0xb0x
p4r4d0xb0x
Rustacean, AI, OSS Enthusiast

르장드르 변환(Legendre transform)은 '어떤 함수가 가진 정보를 다른 제어 변수(혹은 공변수) 관점에서 다시 표현'하고자 할 때 쓰는 표준 도구입니다. 이 글에서는 왜 이 도구가 필요한지(문제), 어떻게 동작하는지(직관과 수식), 그리고 물리학-특히 통계열역학에서 왜 중요한지(의미)를 단계별로 설명합니다. 각 단계에서 가능한 한 구체적 예시와 비유를 사용해 핵심 개념을 직관적으로 파악하도록 돕겠습니다.

르장드르 변환을 처음 만났을 때 흔히 생기는 질문은 간단합니다: "원래의 변수 대신 다른 변수를 도입하면 무슨 이득이 있는가? 원래 정보가 손실되지는 않는가?" 이 질문에 답하려면 두 가지 요소를 살펴야 합니다. 첫째, 원래 함수가 충분히 볼록(convex)해서 도함수와 원래 변수가 일대일 대응을 이루는가, 둘째, 실험적·이론적으로 어떤 변수를 다루기가 더 쉬운가입니다. 다음 절에서 이 점들을 더 엄밀히 다루고, 기하학적 직관(접선과 절편)을 통해 공식이 왜 자연스럽게 나오는지 보여주겠습니다.

1. 문제 설정과 기하학적 직관​

문제: 어떤 양 FF가 독립 변수 xx에 의존한다고 하자. 즉 F=F(x)F=F(x)이다. 하지만 실제로는 xx를 직접 다루기보다 그 기울기 s=dF/dxs=dF/dx를 더 자연스럽게 측정하거나 제어할 수 있다. 이 경우 ss를 독립 변수로 하는 새로운 표현 G(s)G(s)를 만들고 싶다. 핵심 조건은 x↦sx\mapsto s 변환이 역함수를 가지는 것이다. 수학적으로는

d2Fdx2>0\frac{d^2 F}{dx^2} > 0

와 같이 볼록성 조건을 요구하면 ss와 xx는 일대일 대응이 됩니다.

직관(기하학): 원함수 F(x)F(x) 위의 한 점에서 접선을 그리면, 그 접선의 기울기가 ss입니다. 이 접선이 yy축(즉 x=0x=0)과 만나는 점을 −G-G라고 정의하면, 접선 방정식으로부터

F−(−G)x=s\frac{F - (-G)}{x} = s

이 되어

G=sx−FG = s x - F

를 얻습니다. 여기서 중요한 점은 xx가 ss의 함수로 바뀐 상황에서 GG를 정의한다면 정확히

G(s)=s x(s)−F(x(s))G(s) = s\, x(s) - F\bigl(x(s)\bigr)

와 같이 쓸 수 있다는 것입니다. 이 표현은 단순한 대체가 아니라 '같은 정보의 재포장'입니다: 충분한 볼록성 조건이 있다면 다시 한 번 르장드르 변환을 적용해 원래로 되돌아갈 수 있습니다.

용어 해설: 르장드르 변환

쉬운정의: 어떤 함수 F(x)F(x)를 그 도함수 s=dF/dxs=dF/dx를 독립변수로 하는 새로운 함수 G(s)G(s)로 바꾸는 수학적 절차입니다. 예 everyday 예: 경사(가파름) 대신 '등고선에서의 기울기'로 지형을 설명하는 것과 비슷합니다. 지형의 높이 대신 특정 경사의 위치 정보를 중심으로 다시 기술하는 것이라 보시면 됩니다.

왜 이런 재표현이 유용한가? 다음과 같은 상황을 생각해보면 이해가 빠릅니다. 공학이나 실험에서 어떤 계에 걸리는 힘(force)을 직접 제어하거나 측정하기 쉽지만, 그에 대응하는 위치를 직접 다루기 어렵다면 힘을 독립변수로 사용하는 표현(예: 탄성계의 경우 퍼텐셜의 르장드르 변환)을 쓰는 것이 더 자연스럽습니다. 이 관점이 바로 열역학에서 '에너지 표현'과 '자유에너지 표현' 사이에 존재하는 실용적 이유와 직결됩니다.

2. 조화 퍼텐셜(예) — 변환이 실제로 무슨 정보를 보존/소실하는가​

구체적인 예로 조화 퍼텐셜을 보겠습니다. 원래 퍼텐셜을

U(x)=12k(x−xmin⁡)2U(x) = \tfrac{1}{2}k\bigl(x - x_{\min}\bigr)^2

라 하고, 외부에서 힘 ff를 걸면 평형 조건은 퍼텐셜에서 유도되는 내부 힘과 외부 힘의 합이 0이 되는 것입니다. 퍼텐셜에서 나오는 힘은 −dU/dx-dU/dx이므로 정적 평형은

−dUdx+f=0⇒dUdx=f.-\frac{dU}{dx} + f = 0\quad\Rightarrow\quad \frac{dU}{dx} = f.

이것을 풀면

x(f)=fk+xmin⁡.x(f) = \frac{f}{k} + x_{\min}.

이제 U(x)U(x)의 르장드르 변환을 V(f)V(f)라 하겠습니다. 정의에 따라

V(f)=f x(f)−U(x(f)).V(f) = f\, x(f) - U\bigl(x(f)\bigr).

직접 계산하면(간단한 대수적 정리)

V(f)=12f2k+fxmin⁡.V(f) = \frac{1}{2}\frac{f^2}{k} + f x_{\min}.

또한 변환 후에는

x(f)=dVdfx(f) = \frac{dV}{df}

가 성립함을 확인할 수 있습니다. 이 예에서 중요한 관찰은 다음과 같습니다.

  • 르장드르 변환은 위치-기울기 쌍 (x,s)(x, s)을 기울기-위치 쌍 (s,x)(s, x)로 재표현했다는 점에서 정보를 보존합니다. 변환을 두 번 하면 원래 함수로 돌아옵니다.
  • 그러나 만약 단순히 원래 UU를 ff에 대해 U[x(f)]U[x(f)] 형태로만 적는다면, 상수항 정보(여기서는 xmin⁡x_{\min})가 소실될 수 있습니다. 즉, 단순 치환과 '정식으로' 르장드르 변환을 취하는 것 사이에는 정보 보존성 측면에서 차이가 있습니다.

이 예는 "왜 정확하게 정의된 변환을 써야 하는가"와 "어떤 정보가 변환 과정에서 보존되거나 제거되는가"를 명확히 보여줍니다. 현장에서 어떤 변수를 제어 가능한 매개변수로 취할지 결정할 때는 이 차이를 염두에 두어야 합니다.

3. 라플라스 변환과 통계열역학적 연결 — 분배 함수로의 관점 전환​

르장드르 변환과 직접적인 수학적 동일성은 없지만, 개념적으로 비슷한 역할을 하는 변환으로 라플라스 변환(Laplace transform)이 통계열역학에서 중요한 역할을 합니다. 미시상태 수밀도 W(U)W(U)(내부에너지가 UU 근처에 있는 상태들의 위상공간 부피)가 주어졌을 때 분배 함수(partition function)는

Z(β)=∫W(U) e−βU dUZ(\beta) = \int W(U)\, e^{-\beta U} \, dU

로 정의됩니다. 여기에서 β=(kBT)−1\beta = (k_B T)^{-1}입니다. 분배 함수는 온도(혹은 β\beta)를 독립변수로 하는 함수로, '에너지 대신 온도 관점'에서 계를 기술하는 도구입니다.

브롬위치 적분(Bromwich integral)을 이용하면 라플라스 변환의 역변환을 통해 W(U)W(U)를 다시 쓸 수 있습니다:

W(U)=12πi∫CZ(β) eβU dβ,W(U) = \frac{1}{2\pi i} \int_C Z(\beta)\, e^{\beta U} \, d\beta,

여기서 경로 CC는 적절하게 정한 복소평면상의 선입니다. 분배 함수는 또한 헬름홀츠 자유에너지 FF와 연결되어, 보통 F≡βF\mathcal{F} \equiv \beta F로 정의하면 Z(β)=e−F(β)Z(\beta) = e^{-\mathcal{F}(\beta)}가 됩니다. 따라서 위 식은

W(U)=12πi∫Ce−F(β)+βU dβ.W(U) = \frac{1}{2\pi i} \int_C e^{-\mathcal{F}(\beta) + \beta U}\, d\beta.

여기서 대규모 시스템(예: 입자 수 NN가 큰 계)을 생각하면 F\mathcal{F}와 UU는 보통 O(N)O(N)으로 함께 커집니다. 이런 경우 위 적분은 '지수의 최대값 근처에서 지배된다'는 일반 원리를 따릅니다(안장점 근사 또는 라플라스의 방법). 즉, 적분은 다음 조건을 만족하는 β\beta 근처에서 가장 크게 기여합니다:

∂∂β(βU−F(β))=0⇒U=∂F∂β.\frac{\partial}{\partial\beta}\bigl(\beta U - \mathcal{F}(\beta)\bigr) = 0 \quad\Rightarrow\quad U = \frac{\partial\mathcal{F}}{\partial\beta}.

결과적으로 지수항의 최대값을 사용하면

W(U)≈exp⁡[βU−F(β)]∣β=β(U)W(U) \approx \exp\bigl[\beta U - \mathcal{F}(\beta)\bigr]\big|_{\beta=\beta(U)}

이고 로그를 취하면(엔트로피 정의 S=ln⁡W\mathcal{S}=\ln W)

F(β)=βU−S.\mathcal{F}(\beta) = \beta U - \mathcal{S}.

이 식은 고전적인 관계 F=U−TSF = U - T S로 되돌아가며, 여기서 F=βF\mathcal{F}=\beta F임을 기억해야 합니다. 요약하면, 라플라스/분배 함수 관점은 '에너지-고정(미시canonical) 설명'과 '온도-고정(열canonical) 설명' 사이를 연결하며, 큰 계에서는 안장점 근사로 두 표현이 서로 르장드르 변환처럼 쌍대적으로 연결된다고 볼 수 있습니다.

용어 해설: 라플라스 변환

쉬운정의: 어떤 함수(예: 에너지 분포)를 지수 가중합(또는 적분)으로 변환하여 다른 변수(예: 역온도) 표현으로 바꾸는 연산입니다. 예 everyday 예: 시간-도메인에서의 신호를 주파수-도메인으로 바꾸는 과정(푸리에 변환과 유사한 맥락)과 비슷합니다. 한 종류의 정보를 다른 관점에서 보게 해 줍니다.

용어 해설: 분배 함수(Partition function)

쉬운정의: 주어진 역온도 β\beta에서 계가 가질 수 있는 모든 상태들의 가중합(정확히는 지수 가중 적분)으로, 온도 의존적 거시량을 계산하는 중심 도구입니다. 예 everyday 예: 식당의 메뉴별 주문 확률을 음식 가격(에너지)에 따라 가중합해서 전체 주문 패턴을 요약하는 지표를 만든다고 생각해 보세요. 분배 함수는 그 합계라고 볼 수 있습니다.

용어 해설: 헬름홀츠 자유에너지

쉬운정의: 고정된 온도에서 계가 가질 수 있는 '일할 수 있는 에너지'의 척도로, 보통 F=U−TSF = U - T S로 정의됩니다. 예 everyday 예: 예산(자산)에서 필수비용(엔트로피로 표현되는 무질서 비용)을 빼면 실제로 사용할 수 있는 남는 돈을 얻는 것과 비슷합니다.

4. 요약과 실무적 시사점​

  • 르장드르 변환은 "변수의 관점을 바꾸되 정보는 잃지 않으려는" 경우의 표준 도구입니다. 기하학적으로는 '원함수의 접선 절편'을 취하는 과정으로 이해할 수 있습니다.
  • 실제 물리 문제에서는 어떤 변수를 제어하는지가 중요하므로(예: 힘 대 위치, 온도 대 에너지) 적절한 쌍대 표현을 택하면 해석·계산이 쉬워집니다. 조화 퍼텐셜 예시는 이 점을 명확히 보여줍니다: 힘이 자연스러운 제어변수라면 퍼텐셜의 르장드르 변환을 사용하는 것이 더 편리합니다.
  • 통계열역학에서는 라플라스 변환(분배 함수)이 미시상태 수밀도와 온도-표현을 연결하고, 큰 계에서는 안장점 근사를 통해 자유에너지와 엔트로피의 전형적 관계(F=U−TSF=U-TS)를 얻습니다. 이 연결은 르장드르 변환과 '역할적으로' 닮아 있습니다: 서로 다른 변수의 관점에서 동일한 물리 정보를 기술하는 방식입니다.

참고: 본 포스트는 statphys Dokuwiki의 "수학:르장드르_변환" 페이지(2026-02-06 수정)와 그 안의 예제, 그리고 거기 인용된 R. K. P. Zia 외(2009) 논문을 바탕으로 정리한 내용입니다. 원문은 교육적 요약 형태이며, 엄밀한 증명 세부는 해당 문헌과 교재를 참고하시기 바랍니다. 특히 브롬위치 적분과 안장점 근사 관련 엄밀 조건은 본 페이지의 요약문이 모두 다루지 않을 수 있으니 그 점은 원문과 추가 문헌을 확인하시길 권합니다.

참고자료:

  • R. K. P. Zia, Edward F. Redish, and Susan R. McKay, "Making Sense of the Legendre Transform," Am. J. Phys. 77, 614 (2009), arXiv:0806.1147.
  • statphys Dokuwiki: 수학:르장드르_변환 (출처 페이지)

Sources​