방향도함수 (directional derivative)

한 줄 정의: 여러 변수를 가진 함수가 특정 지점에서 "임의로 정한 방향"으로 얼마나 빠르게 변하는지를 나타내는 값입니다.

쉽게 풀면

등산할 때 산의 경사는 어느 쪽으로 걷느냐에 따라 다르게 느껴집니다. 정상을 향해 똑바로 올라가면 매우 가파르고, 산을 옆으로 가로질러 걸으면 거의 평평하게 느껴질 수 있습니다. 방향도함수는 바로 이 "어느 방향으로 걷느냐"에 따른 경사(변화율)를 계산한 것입니다. 흔히 쓰는 편미분(partial derivative)은 x축 방향, y축 방향처럼 정해진 축 방향으로만 경사를 재는 것이라면, 방향도함수는 임의의 방향 벡터를 자유롭게 정해서 그 방향의 경사를 잴 수 있다는 점이 다릅니다. 실제로 방향도함수는 그래디언트(gradient) 벡터와 방향 벡터를 내적(dot product)하여 계산합니다.

왜 중요한가

방향도함수는 다변수함수의 변화 양상을 특정 방향에서 정량적으로 파악할 수 있게 해주므로, 최적화 이론과 편미분방정식, 물리학의 장(field) 이론 등에서 폭넓게 활용됩니다. 특히 기계학습의 경사하강법처럼 함수 값을 가장 빠르게 줄이거나 늘리는 방향을 찾는 문제는 본질적으로 방향도함수를 최대화·최소화하는 문제이기 때문에, 관련 논문에서 이 개념이 이론적 근거로 자주 인용됩니다.

핵심 정리

점 a에서 단위벡터 u 방향으로의 방향도함수는 D_uf(a) = lim_h→0 [f(a + hu) − f(a)] / h 입니다. 극한이 존재할 때 정의됩니다.
f가 미분가능하면 D_uf(a) = ∇f(a) · u 로 계산합니다. 편미분은 좌표축 방향의 방향도함수에 해당합니다.
f가 가장 빨리 늘어나는 방향은 그래디언트 ∇f의 방향이며 그때의 변화율은 ‖∇f‖입니다. 가장 빨리 줄어드는 방향은 −∇f이고 변화율은 −‖∇f‖입니다.
∇f에 수직인 방향(등위선의 접선 방향)으로는 변화율이 0입니다. ∇f가 영벡터이면 모든 방향에서 0입니다.
방향 벡터는 반드시 길이 1로 맞춥니다. 주어진 방향 벡터가 단위벡터가 아니면 먼저 자기 길이로 나눕니다(OpenStax의 예: 〈−5, 12〉를 〈−5/13, 12/13〉로).

예시로 보기

가상의 함수 f(x, y) = x²y 의 점 (1, 2)에서 방향 〈3, 4〉로의 변화율을 구합니다. 계산은 코드로 확인했습니다.

그래디언트: ∇f = (2xy, x²) 이므로 (1, 2)에서 ∇f = (4, 1).
단위벡터: 〈3, 4〉의 길이가 5이므로 u = (3/5, 4/5).
방향도함수: D_uf = 4 × 3/5 + 1 × 4/5 = 16/5 = 3.2. 극한 정의로 h = 10⁻⁶에서 수치로 계산해도 3.2000…이 나옵니다.
최대 증가율은 ‖∇f‖ = √17 ≈ 4.123 이며 방향은 (4, 1)/√17 입니다. 최소(가장 빠른 감소)는 −4.123 입니다.
수직 방향 (−1, 4)/√17 에서는 4×(−1) + 1×4 = 0 으로 변화율이 0입니다.

단위벡터로 나누지 않고 〈3, 4〉를 그대로 넣으면 16이 나와, 올바른 값의 5배가 됩니다. 방향 벡터의 길이가 값에 섞이기 때문입니다.

자주 하는 오해

오해	바로잡기
방향 벡터를 길이 상관없이 넣어도 된다.	길이가 1이 아니면 변화율이 벡터 길이만큼 곱해져 방향 비교가 왜곡됩니다. 항상 단위벡터로 맞춥니다.
그래디언트 방향으로 가면 함수가 줄어든다.	그래디언트는 가장 빨리 늘어나는 방향입니다. 손실을 줄이는 경사하강법은 −∇f 방향으로 이동합니다.
편미분이 모두 있으면 방향도함수는 항상 ∇f · u 로 구해진다.	이 공식은 f가 미분가능할 때의 결과입니다. 편미분이 존재하는 것만으로는 충분하지 않으니, 확실하지 않으면 극한 정의로 돌아가 확인합니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

"손실함수의 감소가 가장 빠른 방향을 찾기 위해 방향도함수가 최소가 되는 방향, 즉 그래디언트의 반대 방향으로 파라미터를 갱신하였다."

이 문장은 "함수 값이 가장 빠르게 줄어드는 방향을 방향도함수 계산을 통해 확인하고, 그 방향으로 모델의 값을 조금씩 조정했다"는 뜻으로, 최적화(optimization) 알고리즘의 원리를 설명할 때 자주 등장합니다.

"지형 표면의 경사 안정성을 평가하기 위해 임의의 사면 방향에 대한 고도 함수의 방향도함수를 계산하였다."

지구과학·공학 분야에서는 특정 방향으로의 경사도를 정량화할 때 방향도함수 개념을 그대로 응용한다.

"온도장의 등온선에 수직한 방향으로 방향도함수를 계산하여 열유속이 가장 큰 방향을 확인하였다."

물리학·열전달 분야에서는 방향도함수를 이용해 특정 방향으로의 물리량 변화율을 직접 구하는 방식으로 활용한다.

조금 더 깊게 보면

방향도함수는 D_v f(x) = ∇f(x)·v 로 정의되며, 여기서 v는 단위 방향벡터입니다. 이 값이 가장 커지는 방향이 그래디언트 방향이고, 가장 작아지는(가장 급격히 감소하는) 방향은 그래디언트의 반대 방향입니다. 또한 그래디언트와 수직인 방향으로는 방향도함수 값이 0이 되는데, 이는 함수의 등위면(레벨셋)을 따라 이동할 때 함수 값이 변하지 않는다는 사실과 연결됩니다. 이러한 성질 때문에 방향도함수는 등고선, 등온선 등 등위곡선을 분석하는 데도 자주 활용됩니다.

주의할 점

방향도함수를 계산할 때 사용하는 방향 벡터는 반드시 크기가 1인 단위벡터로 맞춰야 합니다. 방향 벡터의 길이를 통일하지 않으면 방향에 따라 값이 커지거나 작아지는 정도가 벡터 길이 때문에 왜곡되어, 순수하게 "방향"에 따른 변화율만 비교할 수 없게 됩니다. 방향도함수 중 값이 가장 커지는 방향이 바로 그래디언트 (기울기벡터) 벡터가 가리키는 방향입니다.

헷갈리기 쉬운 용어

변화율을 나타내는 다변수 미분 용어들입니다.

용어	무엇인가	결과의 형태
편미분	좌표축 방향으로의 변화율	스칼라(축마다 하나)
방향도함수	임의의 단위벡터 방향으로의 변화율	스칼라(방향마다 하나)
그래디언트	편미분을 모은 벡터, 가장 가파르게 증가하는 방향을 가리킴	벡터
야코비 행렬	벡터값 함수의 1차 미분을 모은 행렬	행렬

참고 문헌

Strang, G., & Herman, E. (2016). Calculus Volume 3. OpenStax.
Stewart, J. (2008). Calculus: Early Transcendentals (6th ed.). Thomson/Brooks-Cole.
Marsden, J. E., & Tromba, A. J. (2012). Vector Calculus (6th ed.). W. H. Freeman.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.