⛓️

연쇄법칙 — 합성함수 미분

∫Lv.8미적분

ChatGPT는 어떻게 학습할까요? 수억 개 파라미터의 오차를 줄이는 비결은 라이프니츠가 1684년에 발견한 연쇄법칙 $\dfrac{dy}{dx} = \dfrac{dy}{du} \cdot \dfrac{du}{dx}$ 입니다.

💡 왜 필요할까요?

물리학에서 $v = v(u(t))$ 형태의 복합 속도 계산, 화학에서 반응 속도 체인, 경제학에서 수요-공급-가격의 연쇄 효과 계산 — 모두 연쇄법칙의 응용입니다. 가장 현대적인 응용은 딥러닝 역전파(backpropagation)로, 수십 층의 신경망을 연쇄법칙으로 거꾸로 미분하여 최적 가중치를 찾습니다.

⛓️🤖

📜 역사 이야기

⛓️

고트프리트 빌헬름 라이프니츠

1684년 · 독일 하노버

연쇄법칙(Chain Rule)의 현대적 표기 $\dfrac{dy}{dx} = \dfrac{dy}{du} \cdot \dfrac{du}{dx}$ 는 라이프니츠(Gottfried Wilhelm Leibniz, 1646-1716)가 1684년에 고안한 $\dfrac{d}{dx}$ 표기법의 걸작입니다. 라이프니츠는 파리에서 외교관으로 일하면서 수학을 독학했고, 1675년 불과 몇 주 만에 미분과 적분의 핵심 공식들을 발견했습니다. 연쇄법칙이 혁명적인 이유는 '분수처럼 약분되는' 표기 덕분입니다. $\dfrac{dy}{dx} = \dfrac{dy}{du} \cdot \dfrac{du}{dx}$ 에서 $du$ 가 분자·분모에서 약분되는 것처럼 보입니다. 물론 엄밀하게는 약분이 아니지만, 이 직관이 복잡한 합성함수 미분을 단계별로 쪼개어 계산하게 해 줍니다. 현대에 연쇄법칙이 가장 중요하게 사용되는 곳은 딥러닝(Deep Learning)입니다. 2012년 알렉스넷(AlexNet)이 이미지 인식 경쟁에서 우승하면서 시작된 AI 혁명의 핵심 알고리즘, 역전파(backpropagation)는 수십 층으로 쌓인 신경망에서 연쇄법칙을 반복 적용하는 것입니다. 오늘날 ChatGPT, 이미지 생성 AI 등 모든 딥러닝 모델이 라이프니츠의 $\dfrac{dy}{du} \cdot \dfrac{du}{dx}$ 에 빚지고 있습니다.

"수학의 목적은 자연의 언어를 밝히는 것이며, $\frac{dy}{dx}$ 는 그 언어의 알파벳이다."

🤩 딥러닝 역전파(backpropagation)는 1986년 루멜하트(Rumelhart)가 발표했지만, 그 핵심 수학은 라이프니츠가 1684년에 완성한 연쇄법칙입니다. ChatGPT가 답변을 생성하는 순간에도 연쇄법칙이 수억 번 실행됩니다.

🔬 직접 발견하기

📐 공식 이해하기

(g \circ f)'(x) = g'(f(x)) \cdot f'(x), \quad \frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}

(g \circ f)'(x) = g'(f(x)) \cdot f'(x), \quad \frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}

연쇄법칙의 두 가지 표기. 합성함수 표기 $(g \circ f)'(x) = g'(f(x)) \cdot f'(x)$ 는 '바깥 미분 × 안 미분'. 라이프니츠 표기 $\dfrac{dy}{dx} = \dfrac{dy}{du} \cdot \dfrac{du}{dx}$ 는 분수의 약분처럼 직관적으로 이해됩니다.

$f(x)$ f(x): 안 함수 (inner function)
$g(u)$ g(u): 바깥 함수 (outer function)
$u$: 중간 변수 $u = f(x)$
$g'(f(x))$ g'(f(x)): 바깥 함수를 안 함수에서 평가한 미분값
$f'(x)$ f'(x): 안 함수의 미분 (안 미분)

1
$u = f(x)$ 로 치환: $y = g(u)$ , $u = f(x)$
2
정의: $\dfrac{dy}{dx} = \lim_{\Delta x \to 0} \dfrac{\Delta y}{\Delta x} = \lim_{\Delta x \to 0} \dfrac{\Delta y}{\Delta u} \cdot \dfrac{\Delta u}{\Delta x}$
3
$\Delta x \to 0$ 이면 $\Delta u \to 0$ 이므로: $\dfrac{dy}{dx} = \dfrac{dy}{du} \cdot \dfrac{du}{dx} = g'(u) \cdot f'(x) = g'(f(x)) \cdot f'(x)$
4
다단 연쇄법칙: $L = h(g(f(x)))$ 이면 $\dfrac{dL}{dx} = h'(g(f(x))) \cdot g'(f(x)) \cdot f'(x)$

🧬 원리: 어떻게 탄생했나?

공식은 외우는 것이 아니라, 어디서 왔는지를 이해하는 것이에요

💡

탄생 배경

연쇄법칙은 derivative-rules(미분법)의 자연스러운 확장입니다. 단일 함수의 미분법이 확립된 뒤, '두 함수의 합성'을 어떻게 미분하는가라는 질문이 생겼습니다. derivative-trig와 derivative-exp-log에서 배운 삼각함수·지수함수 미분도 합성함수 형태 $\sin(ax)$ , $e^{kx}$ 가 등장하면 연쇄법칙 없이는 계산할 수 없습니다.

⚡

핵심 관계식

핵심 관계: $\dfrac{dy}{dx} = \dfrac{dy}{du} \cdot \dfrac{du}{dx}$. 이것은 라이프니츠 표기가 마치 분수의 약분처럼 작동하는 것처럼 보이게 합니다 (엄밀히는 아니지만). 다단 합성의 경우 $\dfrac{dL}{dx} = \dfrac{dL}{dv} \cdot \dfrac{dv}{du} \cdot \dfrac{du}{dx}$처럼 체인 형태로 확장됩니다.

핵심 관계: $\dfrac{dy}{dx} = \dfrac{dy}{du} \cdot \dfrac{du}{dx}$. 이것은 라이프니츠 표기가 마치 분수의 약분처럼 작동하는 것처럼 보이게 합니다 (엄밀히는 아니지만). 다단 합성의 경우 $\dfrac{dL}{dx} = \dfrac{dL}{dv} \cdot \dfrac{dv}{du} \cdot \dfrac{du}{dx}$처럼 체인 형태로 확장됩니다.

🔍

왜 공식을 외울 필요가 없나요?

연쇄법칙이 왜 '곱'인가: $\Delta y / \Delta x = (\Delta y / \Delta u) \times (\Delta u / \Delta x)$ 에서 보이듯, 합성함수의 변화율은 '각 단계의 변화율의 곱'입니다. 물리적으로는 기어 시스템에서 입력 기어의 회전률 × 기어비 = 출력 기어의 회전률과 같습니다. 각 단계가 이전 단계의 변화를 '증폭 또는 축소'하고, 그 효과는 곱으로 누적됩니다.

📝 퀴즈로 확인하기

1/5

연쇄법칙으로 $y = (x^2 + 3)^5$ 를 미분하면?

무한 드릴 연습

랜덤 20문제 · 약 10분

풀어보기 →

📋 수능 기출 문제

📝

이 개념의 기출 문제를 추가 중이에요

수능 기출 전체 목록에서 관련 문제를 찾아보세요.

📋 수능 기출 전체 보기 →