방향도함수 (directional derivative)
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.
논문에서는 이렇게 쓰입니다
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.
지구과학·공학 분야에서는 특정 방향으로의 경사도를 정량화할 때 방향도함수 개념을 그대로 응용한다.
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.