03. 롤러로 벽을 칠하며 깨닫는 적분 (Generalization of Area)

안녕하세요! 지난 시간에 피자 조각을 무한히 쪼개서 극한(Limit)의 원리를 맛보았죠? 그런데 이번에는 수학적인 질문을 좀 더 현대적으로 바꿔볼게요. 위가 구불구불한 둥근 모양의 터널 벽면이 있다고 합시다. “이 불규칙한 벽면의 넓이를 정말 정확하게(오차 0%) 구하려면 어떻게 해야 할까요?”

오늘 우리는 독일의 천재 수학자 베른하르트 리만(Riemann)이 고안한 가장 확실한 적분법, ‘리만합(Riemann Sum)’의 뼈대와 이것이 어떻게 현대 인공지능(AI)의 오차 최적화에 연결되는지 배워보겠습니다.

1. 서론: 오차를 어떻게 줄일 수 있을까?

우리에게 주어진 무기는 ‘가로가 아주 얇은 직사각형 모형 롤러’입니다. 이 직사각형 롤러 단위로 구불구불한 벽면 위를 한 칸씩 색칠한다고 상상해 봅시다.

그런데 벽이 위아래로 곡선이니까, 윗부분이 반듯한 네모난 롤러로는 곡선 높이에 완벽하게 딱 맞춰서 색칠할 수가 없습니다. 분명 칠이 안 되어 남는 빈틈(모자란 곳)이 생기거나, 롤러가 밖으로 삐져나오는(더 칠해진 곳) 오류가 발생하게 됩니다.

바로 여기서 상합(Upper sum)과 하합(Lower sum)이라는 아주 똑똑한 개념이 등장합니다.

리만 상합과 하합 비교표

(참고: 생성된 AI 아트워크) 롤러 상합 오차 시각화

2. 기초 개념: 넓이를 “가두어 포위”하는 극한 작전!

넓이의 ‘진짜 100% 정답’은 곡선이라서 한 방에 공식으로 구할 수는 없지만, 우리는 적어도 진짜 넓이가 어떤 값들의 사이(샌드위치)에 있는지는 확실히 알 수 있습니다.

  • 상합 (Upper sum): 삐져나오게 색칠하기
    • 항상 곡선의 가장 높은 점을 기준으로 사각형 윗변을 긋습니다.
    • (삐져나온 넓이) = (진짜 넓이) + (오차 에러값)
    • 따라서 아무리 못해도 무조건 진짜 벽면의 넓이보다 큽니다.
  • 하합 (Lower sum): 모자라게(안전하게) 색칠하기
    • 항상 곡선의 가장 낮은 점을 기준으로 사각형 윗변을 긋고, 절대 곡선 밖으로 안 삐져나가게 합니다.
    • (빈틈투성이 넓이) = (진짜 넓이) - (오차 에러값)
    • 따라서 무조건 진짜 벽면의 넓이보다 작습니다.

즉, (하합) < (우리가 구해야 할 진짜 넓이) < (상합) 이라는 포위망(범위)을 완벽하게 잡아낼 수 있죠!

💡 진짜 넓이를 구하는 마법 (극한의 재등장) 롤러의 가로 폭(바닥 너비)을 $1m$ 에서 $1cm$, 그리고 수천만 분의 $1mm$인 바늘처럼 무한히 얇게 바꿔나가 봅니다. (2강에서 배운 극한!)

롤러 막대가 얇아지면 얇아질수록 상합의 삐져나온 에러 넓이와 하합의 빈틈 에러 넓이가 점점 0에 가깝게 줄어들어 사라집니다(!). 결국, 에러가 사라지면서 상합과 하합을 포위하던 두 숫자가 완벽하게 똑같은 하나의 숫자로 겹치며 만나게 됩니다! 이 만나는 숫자가 바로 오차율 0%의 ‘진짜 넓이(적분값)’가 되는 놀라운 마법입니다.

3. 컴퓨터와 AI 시대의 수학: 파이썬 최적화 (Error Minimization)

“상합과 하합처럼, 정답을 사이에 두고 극단적인 값에서 출발해 오차(Error)를 줄여나가며 정확한 정답을 타겟 포착한다!”

이 발상은 현대 인공지능(AI)과 딥러닝(Deep Learning) 기술에서 매우 핵심적인 역할을 합니다. 기계는 한 번에 공식을 외울 수 없기 때문에, 처음에 랜덤하게 에러를 만들고 그 에러를 극단적으로 점점 줄여 최적의 값(정답)에 수렴(극한) 시키는 방식을 씁니다. (‘경사하강법’ 같은 이론이 바로 이런 접근이죠.)

파이썬의 matplotlib을 사용하면 이 과정을 눈으로 볼 수 있도록 막대그래프(Bar chart)로 그릴 수 있습니다. 데이터 사이언티스트들의 핵심 무기입니다.

import numpy as np
import matplotlib.pyplot as plt

# 1. 시뮬레이션 할 곡선 함수 (예: 위로 볼록한 구불구불 벽면 y = -(x-5)^2 + 25)
def f(x):
    return -(x-5)**2 + 25

x = np.linspace(0, 10, 100)
y = f(x)

# 2. 아주 넓은 폭의 롤러 '5개'로 대충 색칠했을 때 (오차가 큼)
bins = 5
# 가로 x 구간을 5개로 자른다
x_bar = np.linspace(0, 10, bins, endpoint=False)
width = 10 / bins

# 상합의 흉내: 그래프의 윗부분에 맞추기 위해 x 위치를 살짝 이동하여 막대 꼭대기 설정
y_bar_upper = f(x_bar + width/2) 

plt.figure(figsize=(8, 4))
plt.plot(x, y, 'r-', linewidth=3, label='True Curve (진짜 100% 곡선)')
plt.bar(x_bar, y_bar_upper, width=width, align='edge', color='orange', alpha=0.5, edgecolor='black', label=f'Rectangles ({bins} 조각)')

plt.title('Approximating Area with Rectangles (Riemann Sum Concept)')
plt.legend()
plt.show()

# ※ 이 모델 코드를 직접 파이썬에서 실행해보고, bins 조각 개수를 5에서 -> 50, 100, 1000 빈(bins)으로 늘려보세요!
# 막대가 징그러울 정도로 얇아질수록 바깥으로 튀어나온 톱니바퀴 에러 면적이
# 빨간색 곡선 안으로 스며들며 소름 돋게 일치해가는 것을 관찰할 수 있습니다.

이렇게 막대그래프를 모아 통계를 분석하는 것(히스토그램)이나 확률을 유추하는 과정 모두 결국 이 리만합의 적분 철학에 그 뿌리를 두고 있습니다.

4. 3줄 요약 (Summary)

  1. 상합과 하합으로 넓이 포위하기: 구불구불한 곡선의 넓이는 구할 수 없으니, 튀어나오게(상합) 칠하고 모자라게(하합) 칠해 진짜 넓이의 포위 범위를 찾아낸다.
  2. 극한 쪼개기로 진짜 넓이 찾기: 칠하는 롤러 직사각형의 두께를 무한히 얇게(극한) 쪼개면 오차가 $0$에 가까워지며, 상합과 하합이 만나 압축된 ‘진짜 넓이(적분값)’가 도출된다.
  3. AI 시대의 영감: “에러(오차)를 범위로 묶어 분석하고, 이를 0으로 점점 줄여나가 목표를 달성한다”는 수학적 철학은 현대 인공지능과 머신러닝의 최적화(Optimization) 알고리즘의 가장 중요한 뼈대가 되었다.

적분의 원리를 이렇게 시점을 뒤집어보니 훨씬 덜 무섭죠? 그렇다면 다음 시간에는 수학자들이 “이 복잡한 쪼개고 합치고 극한으로 보내는 말”을 한 글자로 줄이기 위해 만들어낸 멋진 암호! $\int$ (인테그럴) 기호를 본격적으로 해독해 보겠습니다!

서브목차