수치적분 (Numerical Integration)
쉽게 풀면
어떤 함수는 손으로 적분 공식을 이용해 정확한 값을 구하기가 매우 어렵거나 불가능하다. 이럴 때는 함수 아래의 넓이를 사다리꼴이나 작은 직사각형 여러 개로 잘게 쪼개어 그 넓이들을 더해서 근사값을 계산하는데, 이것이 수치적분이다. 조각을 더 잘게 나눌수록 근사값은 실제 값에 더 가까워지지만, 계산량도 그만큼 늘어난다.
왜 중요한가
수치적분은 물리 시뮬레이션, 베이지안 통계의 사후확률 계산, 공학 설계에서의 하중이나 에너지 계산 등 해석적으로 풀리지 않는 적분이 등장하는 거의 모든 정량적 연구 분야에서 필수적으로 쓰입니다. 특히 고차원 적분을 다뤄야 하는 통계나 머신러닝 분야에서는 몬테카를로 방법 같은 확률적 수치적분 기법이 표준 도구로 자리잡고 있습니다. 미분방정식의 수치해를 구하는 여러 알고리즘도 근본적으로 수치적분의 아이디어에 기반하고 있어, 계산과학 전반에서 중요하게 다뤄집니다.
논문에서는 이렇게 쓰입니다
물리 시뮬레이션이나 통계 계산에서 해석해가 없는 적분을 다룰 때 수치적분이 표준적인 대안으로 사용된다.
베이지안 통계 및 머신러닝 연구에서 고차원 적분을 다루는 방식을 보여주는 예시이다.
공학 분야의 유한요소해석에서 수치적분이 활용되는 사례이다.
조금 더 깊게 보면
수치적분에는 사다리꼴 공식, 심슨 공식처럼 다항식으로 함수를 근사하는 방법 외에도, 특정 점과 가중치를 정교하게 선택해 적은 계산으로 높은 정확도를 얻는 가우스 구적법이 널리 쓰입니다. 차원이 높아질수록 격자 기반 방법의 계산량이 기하급수적으로 늘어나는 "차원의 저주" 문제가 발생하는데, 이런 경우에는 무작위 표본추출에 기반한 몬테카를로 적분이 상대적으로 유리한 대안으로 여겨집니다.
주의할 점
수치적분의 정확도는 사용하는 방법(사다리꼴, 심슨 공식 등)과 구간을 얼마나 잘게 나누는지에 따라 크게 달라진다.