미분 법칙과 테크닉 — 합성으로 세계를 미분하기

Calculus 2/5. 복잡한 함수는 전부 기본 함수의 사칙연산과 합성으로 만들어집니다. 따라서 기본 도함수 표 + 결합 법칙 네 개만 있으면 어떤 함수든 기계적으로 미분할 수 있습니다. 이 "기계적"이라는 성질이 나중에 자동미분이 되는 씨앗입니다.

기본 도함수 표

$f(x)$	$f'(x)$	비고
$c$	$0$	상수
$x^n$	$n x^{n-1}$	실수 $n$ 전체에서 성립
$e^x$	$e^x$	유일한 고정점 함수
$a^x$	$a^x \ln a$	$a^x = e^{x \ln a}$ 로 환원
$\ln x$	$1/x$	역함수 법칙으로 유도
$\sin x$	$\cos x$
$\cos x$	$-\sin x$
$\tan x$	$\sec^2 x$	몫의 법칙으로 유도
$\arcsin x$	$1/\sqrt{1-x^2}$	역함수 법칙
$\arctan x$	$1/(1+x^2)$	역함수 법칙

결합 법칙 4형제

1. 선형성 (Linearity)

$$(af + bg)' = a f' + b g'$$

미분은 선형 연산자입니다. 기댓값이 선형인 것과 함께, "선형인 것은 다루기 쉽다"는 수학 전반의 원칙을 보여줍니다.

2. 곱의 법칙 (Product Rule)

$$(fg)' = f'g + fg'$$

직관: 넓이가 $f \times g$ 인 직사각형에서 두 변이 각각 조금씩 늘어날 때, 넓이 증가분은 "한 변씩 늘어난 기여의 합 + 무시 가능한 모서리 조각($f'g' h^2$)"입니다. 증명은 $f(x+h)g(x+h) - f(x)g(x)$ 에 $f(x+h)g(x) - f(x+h)g(x) = 0$ 을 끼워 넣어 분리하면 됩니다.

3. 몫의 법칙 (Quotient Rule)

$$\left( \frac{f}{g} \right)' = \frac{f'g - fg'}{g^2} \qquad (g \neq 0)$$

따로 외울 필요 없이 $f \cdot g^{-1}$ 에 곱의 법칙 + 연쇄법칙을 적용해도 같은 결과입니다.

4. 연쇄법칙 (Chain Rule) — 가장 중요

$$(g \circ f)'(x) = g'\big(f(x)\big) \cdot f'(x) \qquad\text{또는 Leibniz 꼴로}\qquad \frac{dz}{dx} = \frac{dz}{dy} \cdot \frac{dy}{dx}$$

증명 스케치 (선형 근사 관점): 1편의 정의 2를 쓰면 두 줄입니다.

$$f(x+h) = f(x) + f'(x)h + o(h), \qquad g(y+k) = g(y) + g'(y)k + o(k)$$

$k = f'(x)h + o(h)$ 를 대입하면:

$$g\big(f(x+h)\big) = g\big(f(x)\big) + g'\big(f(x)\big) f'(x)\, h + o(h)$$

즉 "선형 근사의 합성은 기울기의 곱". 이 한 줄이 연쇄법칙의 전부이고, 다변수에서는 "Jacobian 행렬의 곱"으로, 계산 그래프에서는 역전파로 확장됩니다. 딥러닝의 학습은 결국 이 법칙을 수백만 번 적용하는 것입니다.

예제: $\dfrac{d}{dx} e^{-x^2/2} = e^{-x^2/2} \cdot (-x)$ — 가우시안 밀도의 도함수가 "자기 자신 × $(-x)$" 꼴이라는 사실은 가우시안 분포의 Stein 항등식, Ornstein–Uhlenbeck 과정 등 여러 곳에서 재등장합니다.

역함수의 미분

$f$ 가 역함수 $f^{-1}$ 를 가지면:

$$\big(f^{-1}\big)'(y) = \frac{1}{f'\big(f^{-1}(y)\big)}$$

유도: $f(f^{-1}(y)) = y$ 양변을 $y$ 로 미분(연쇄법칙)하면 $f'(f^{-1}(y)) \cdot (f^{-1})'(y) = 1$.

예제 — $\ln$ 의 도함수: $y = \ln x \iff x = e^y$ 이므로

$$(\ln x)' = \frac{1}{e^{\ln x}} = \frac{1}{x}$$

확률에서 역함수 미분은 변수 변환 공식의 심장입니다. $Y = g(X)$ 이고 $g$ 가 단조이면:

$$f_Y(y) = f_X\big(g^{-1}(y)\big) \left| \frac{d}{dy} g^{-1}(y) \right|$$

정규화 흐름(normalizing flow)이 이 공식 위에 서 있습니다.

음함수 미분 (Implicit Differentiation)

$y$ 가 $x$ 의 함수로 명시적으로 풀리지 않아도, 관계식 양변을 미분해서 $y'$ 을 구할 수 있습니다.

예제 — 원: $x^2 + y^2 = 1$ 양변을 $x$ 로 미분하면 $2x + 2y\,y' = 0$, 즉 $y' = -x/y$. $y$ 를 $x$ 로 풀지 않고도 접선 기울기를 얻습니다.

이 테크닉은 층을 방정식의 해로 정의하는 implicit layer, 하이퍼파라미터 미분(implicit function theorem 기반 bilevel optimization) 등에서 그대로 쓰입니다.

로그 미분 (Logarithmic Differentiation)

곱·거듭제곱이 겹겹이 쌓인 함수는 로그를 먼저 취해 합으로 풀어놓고 미분하는 편이 압도적으로 쉽습니다.

$$(\ln f)' = \frac{f'}{f} \quad\Longrightarrow\quad f' = f \cdot (\ln f)'$$

예제 — $f(x) = x^x$: $\ln f = x \ln x$ 이므로 $(\ln f)' = \ln x + 1$, 따라서

$$(x^x)' = x^x (\ln x + 1)$$

통계와의 연결: 가능도 $L(\theta) = \prod_i p(x_i \mid \theta)$ 를 직접 미분하는 대신 로그 가능도 $\ell(\theta) = \sum_i \ln p(x_i \mid \theta)$ 를 미분하는 것이 정확히 로그 미분입니다. score function $\nabla_\theta \ln p$, 크로스 엔트로피 손실, REINFORCE의 log-derivative trick $\nabla p = p \nabla \ln p$ 까지 — ML에서 로그가 어디에나 있는 이유의 절반은 "곱을 합으로 바꿔 미분을 쉽게 만들기 위해서"입니다.

고계 도함수 (Higher-Order Derivatives)

도함수를 다시 미분한 것이 2계 도함수 $f''$, 반복하면 $f^{(n)}$ 입니다.

• $f'$ — 기울기(1차 정보): 증가/감소
• $f''$ — 굽음(2차 정보): 볼록/오목, 접선 위/아래
• $f'' > 0$ 인 구간에서 $f$ 는 볼록(convex) — 최적화 5편에서 이 조건이 "극솟값 보장"으로 이어집니다.

예제: $(e^{-x^2/2})'' = (x^2 - 1)e^{-x^2/2}$ — 가우시안 종 모양의 변곡점이 정확히 $x = \pm 1$(표준편차 지점)에 있다는 뜻입니다.

요약

• 기본 도함수 표 + 네 법칙(선형성, 곱, 몫, 연쇄)으로 모든 초등함수를 기계적으로 미분할 수 있습니다.
• 연쇄법칙 = "선형 근사의 합성은 기울기의 곱". 딥러닝 역전파의 수학적 본체입니다.
• 역함수 미분은 확률 변수 변환 공식으로, 로그 미분은 로그 가능도·score function으로 각각 이어집니다.
• 2계 도함수는 볼록성을 판정하며 최적화의 2차 조건으로 연결됩니다.

다음: 평균값 정리와 테일러 전개