1. 선형 연립방정식 — 행렬 표현, 가우스 소거

핵심 인사이트 (3줄 요약)

1. 본질: 선형 연립방정식 Ax = b는 n차원 공간에서 n개의 초평면(hyperplane)이 교차하는 점을 구하는 문제이며, 행렬 표현으로 모든 선형 시스템이 통일된다.
2. 가치: 가우스 소거법 (Gaussian Elimination) 은 O(n³)이지만 LU 분해로 변환하면 같은 A에 대해 여러 b를 O(n²)에 풀 수 있어 반복 계산에 유리하다.
3. 판단 포인트: 조건수 (Condition Number) κ(A) = ‖A‖·‖A⁻¹‖ — 이 값이 크면 수치 불안정하며, 작은 오차가 해를 크게 바꾼다. 실무에서 수치 안정성이 정확성만큼 중요하다.

Ⅰ. 개요 및 필요성

연립 선형 방정식 시스템:

a₁₁x₁ + a₁₂x₂ + ... + a₁ₙxₙ = b₁
a₂₁x₁ + a₂₂x₂ + ... + a₂ₙxₙ = b₂
                ...
aₘ₁x₁ + aₘ₂x₂ + ... + aₘₙxₙ = bₘ

행렬-벡터 표현: Ax = b

여기서 A ∈ ℝ^{m×n}, x ∈ ℝ^n, b ∈ ℝ^m.

해의 분류

정칙 (Non-singular) 행렬: det(A) ≠ 0 → 유일해 존재.

📢 섹션 요약 비유: 연립방정식은 "지도 위 여러 길의 교차점 찾기"다 — 각 방정식이 하나의 길이고, 모든 길이 한 점에서 만나면 유일해, 일치하면 무한해, 평행하면 해 없음.

Ⅱ. 아키텍처 및 핵심 원리

가우스 소거법 (Gaussian Elimination)

확대 행렬 [A|b]에 행 연산을 적용해 행 계단형 (Row Echelon Form) 으로 변환:

초기 [A|b]:                 행 계단형:
┌ 2  1  -1 │  8 ┐         ┌ 2  1  -1 │  8  ┐
│ -3 -1   2 │ -11│  ─────► │ 0  0.5 0.5│ 1   │
└ -2  1   2 │ -3 ┘         └ 0  0   1  │ -1  ┘

후방 대입 (Back Substitution):
  x₃ = -1
  x₂ = (1 - 0.5·(-1))/0.5 = 3
  x₁ = (8 - 1·3 - (-1)·(-1))/2 = 2

시간 복잡도: O(n³) 부동소수점 연산

LU 분해 (LU Decomposition)

A = LU (하삼각 × 상삼각)

┌ a b c ┐   ┌ l₁₁  0   0  ┐   ┌ u₁₁ u₁₂ u₁₃ ┐
│ d e f │ = │ l₂₁ l₂₂  0  │ × │  0  u₂₂ u₂₃ │
└ g h i ┘   └ l₃₁ l₃₂ l₃₃ ┘   └  0   0  u₃₃ ┘

LU 분해 후 Ax = b 풀기:

1. Ly = b → y 구하기 (전방 대입, O(n²))
2. Ux = y → x 구하기 (후방 대입, O(n²))

장점: A가 같고 b만 바뀌면 2단계만 O(n²) — 반복 풀이에 효율적!

수치 안정성과 피벗팅

가우스 소거에서 대각 원소 (피벗) 가 0이거나 매우 작으면 수치 오류 급증.

부분 피벗팅 (Partial Pivoting): 각 단계에서 절댓값 최대 행을 피벗 행으로 교환.

소거 전:                    피벗팅 후:
┌ 0.001  1 │ 1 ┐           ┌ 1   2 │ 3 ┐
└ 1      2 │ 3 ┘    ──►    └ 0.001 1 │ 1 ┘
← 피벗=0.001 → 오류 증폭!      ← 피벗=1 → 안정!

📢 섹션 요약 비유: LU 분해는 "공식 한 번 외워두고 값만 바꿔 계산하기"다 — 매번 처음부터 계산하는 대신, A를 분해해두면 b가 바뀔 때마다 빠르게 해를 구한다.

Ⅲ. 비교 및 연결

조건수 (Condition Number)

κ(A) = ‖A‖ · ‖A⁻¹‖

κ(A) ≈ 1: 잘 조건화 (Well-conditioned) → 수치 안정
κ(A) >> 1: 나쁘게 조건화 (Ill-conditioned) → 작은 b 변화 → 큰 x 변화

상대 오류 증폭:

‖Δx‖/‖x‖ ≤ κ(A) · ‖Δb‖/‖b‖

κ(A) = 10⁶이면, b에 0.001% 오류가 있어도 x에 1000% 오류 가능!

다양한 선형 시스템 풀이법 비교

📢 섹션 요약 비유: 조건수가 큰 선형 시스템은 "아슬아슬한 균형 저울"이다 — 저울(A)이 불안정하면 아주 작은 무게(Δb)를 추가해도 결과(x)가 크게 달라진다.

Ⅳ. 실무 적용 및 기술사 판단

회로 분석 — 키르히호프 법칙

노드 1: 2I₁ - I₂ = 5
노드 2: -I₁ + 3I₂ = 2

행렬형: ┌ 2 -1 ┐ ┌ I₁ ┐   ┌ 5 ┐
        └-1  3 ┘ └ I₂ ┘ = └ 2 ┘

det = 2×3 - (-1)×(-1) = 5 ≠ 0 → 유일해 존재

컴퓨터 그래픽스 — 좌표 변환

3D 변환은 4×4 동차 좌표계 (Homogeneous Coordinates) 행렬:

┌ sx  0  0  tx ┐   ┌ x ┐   ┌ sx·x + tx ┐
│  0 sy  0  ty │ × │ y │ = │ sy·y + ty │
│  0  0 sz  tz │   │ z │   │ sz·z + tz │
└  0  0  0   1 ┘   └ 1 ┘   └     1     ┘
스케일 + 이동 변환

여러 변환을 미리 행렬 곱으로 합성 → 정점마다 O(4×4) 한 번만 적용.

기술사 판단 포인트

1. "n×n 선형 시스템 풀이 시간은?" → 가우스 소거 O(n³), LU 분해 후 O(n²)
2. "수치 불안정할 때 대응 방법은?" → 피벗팅, QR 분해, 정규화
3. "희소 행렬(Sparse Matrix) 시스템 효율적 풀이는?" → 켤레 기울기법 (CG)

📢 섹션 요약 비유: 컴퓨터 그래픽스의 행렬 변환은 "레시피 미리 합치기"다 — 이동, 회전, 스케일을 각각 적용하는 대신, 미리 하나의 행렬로 합쳐서 모든 정점에 한 번에 적용한다.

Ⅴ. 기대효과 및 결론

선형 연립방정식은 공학·물리·데이터과학의 공통 언어다. 회로 분석, 구조 역학, 머신러닝 최적화, 컴퓨터 그래픽스 모두 Ax = b 형태로 환원된다.

현대 수치 선형대수 라이브러리 (LAPACK, NumPy, PyTorch) 는:

1. LU/QR/SVD 분해를 BLAS (Basic Linear Algebra Subprograms) 기반 최적화로 구현
2. GPU 병렬 처리로 대규모 행렬 연산 가속
3. 조건수 체크와 정규화 자동 처리

📢 섹션 요약 비유: 선형 연립방정식은 "모든 공학 문제의 공통 양식"이다 — 어떤 분야든 수식을 Ax = b로 정리하면 수천 년간 쌓인 수학 도구를 바로 쓸 수 있다.

📌 관련 개념 맵

📈 관련 키워드 및 발전 흐름도

[Ax = b]
    │
    ▼
[가우스 소거]
    │
    ▼
[LU 분해]
    │
    ▼
[조건수 κ(A)]

이 흐름도는 선행 개념이 현재 개념으로 응축되고, 다시 확장 개념으로 이어지는 순서를 보여준다.

👶 어린이를 위한 3줄 비유 설명

1. Ax=b는 "수수께끼 방정식 묶음": 여러 개의 힌트(방정식)를 동시에 풀어 숨겨진 값(x)을 찾는다.
2. 가우스 소거는 "아래서부터 힌트 하나씩 없애기": 복잡한 묶음을 단순하게 줄여가며 차례로 풀어낸다.
3. 조건수가 크면 "아슬아슬한 퍼즐": 퍼즐 조각 하나를 조금만 비틀어도 전체가 무너지는 불안정한 상태.