6.31 고유값 문제의 정의와 물리적 의미

1. 고유값 문제의 도입

고유값 문제(eigenvalue problem)는 선형 변환의 본질적 구조를 드러내는 가장 핵심적인 도구이며, 현대 공학과 물리학의 거의 모든 영역에서 중심적 역할을 한다. 행렬에 의한 선형 변환은 일반적으로 벡터를 회전시키고 늘리는 복잡한 효과를 가지지만, 특별한 방향(고유벡터)에 대해서는 단순히 늘리거나 줄이는 효과만 가진다. 이 특별한 방향과 그 늘어나는 비율(고유값)은 행렬의 본질을 압축하여 표현하며, 행렬을 더 단순한 형태로 변환하고 해석하는 기초가 된다. 본 절에서는 고유값 문제의 형식적 정의, 기하학적 의미, 물리적 해석, 그리고 로봇공학에서의 본질적 응용을 다룬다.

2. 고유값과 고유벡터의 정의

정의 6.31.1 (고유값과 고유벡터). 정방 행렬 $A \in \mathbb{R}^{n \times n}$ 에 대하여, 비0 벡터 $\mathbf{v} \in \mathbb{R}^n$ 과 스칼라 $\lambda \in \mathbb{R}$ (또는 $\mathbb{C}$ )이 다음 관계를 만족할 때, $\lambda$ 를 $A$ 의 고유값(eigenvalue)이라 하고, $\mathbf{v}$ 를 $\lambda$ 에 대응하는 고유벡터(eigenvector)라 한다.

$A \mathbf{v} = \lambda \mathbf{v}$

이 정의의 핵심은 다음과 같다.

비0 조건: 고유벡터는 0벡터가 아니어야 한다. 0벡터는 모든 $\lambda$ 에 대해 $A \cdot \mathbf{0} = \lambda \cdot \mathbf{0}$ 을 만족하므로 트리비얼하게 제외된다.
방향의 보존: 고유벡터에 행렬을 작용시키면 같은 방향(또는 정반대 방향, $\lambda < 0$ 인 경우)을 향한다. 단지 그 크기만 $|\lambda|$ 배로 변화한다.
스칼라 배의 모호성: $\mathbf{v}$ 가 고유벡터이면 임의의 0이 아닌 스칼라 $c$ 에 대해 $c\mathbf{v}$ 도 같은 고유값에 대응하는 고유벡터이다. 따라서 고유벡터는 방향만으로 결정되며, 일반적으로 단위 벡터로 정규화된다.

고유값 문제의 행렬 형식

정의식 $A\mathbf{v} = \lambda \mathbf{v}$ 를 이항하면 다음의 동차 시스템 형식이 얻어진다.

$(A - \lambda I) \mathbf{v} = \mathbf{0}$

이는 $\mathbf{v}$ 를 미지수로 하는 동차 연립 방정식이며, 비자명한 해 $\mathbf{v} \neq \mathbf{0}$ 이 존재할 필요 충분 조건은 계수 행렬 $(A - \lambda I)$ 가 특이 행렬인 것, 즉

$\det(A - \lambda I) = 0$

이다. 이 식은 $\lambda$ 에 관한 $n$ 차 다항식 방정식이며, 특성 방정식(characteristic equation)이라 한다. 특성 방정식의 해가 $A$ 의 고유값이며, 각 고유값에 대응하는 고유벡터는 동차 시스템 $(A - \lambda I) \mathbf{v} = \mathbf{0}$ 의 비자명한 해로 결정된다.

기하학적 의미

선형 변환 $T_A: \mathbb{R}^n \to \mathbb{R}^n$ 을 행렬 $A$ 로 표현할 때, 고유벡터의 기하학적 의미는 다음과 같이 정리된다.

1. 불변 방향: 고유벡터 $\mathbf{v}$ 가 정의하는 방향(즉 $\mathbf{v}$ 가 생성하는 1차원 부분 공간)은 변환 $T_A$ 에 의해 그 자체로 매핑된다. 이를 불변 부분 공간(invariant subspace)이라 한다.

2. 늘림 비율: 대응하는 고유값 $\lambda$ 는 그 방향에서의 늘림 비율을 나타낸다.

$\lambda > 1$ : 늘림 (확대)
$0 < \lambda < 1$ : 줄임 (수축)
$\lambda = 1$ : 보존
$-1 < \lambda < 0$ : 반전 후 수축
$\lambda < -1$ : 반전 후 확대
$\lambda = 0$ : 영 공간으로 압축

3. 회전 vs 늘림의 분리: 일반적인 선형 변환은 회전과 늘림이 결합된 효과를 가지지만, 고유벡터 방향에서는 회전 성분이 없고 순수한 늘림(또는 반전) 성분만 존재한다.

2차원 시각화

$2 \times 2$ 행렬 $A$ 를 평면 변환으로 시각화하면, 단위 원이 일반적으로 타원으로 변형된다. 이때 타원의 두 주축의 방향이 고유벡터의 방향에 대응하고, 그 길이가 고유값의 절댓값을 반영한다 (대칭 행렬의 경우 정확히 일치).

복소 고유값과 회전

실수 행렬도 복소 고유값을 가질 수 있다. 복소 고유값은 일반적으로 켤레쌍 $\lambda = a \pm bi$ 의 형태로 등장하며, 실수 평면에서의 회전과 늘림이 결합된 변환을 표현한다.

예를 들어 회전 행렬

$R_\theta = \begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix}$

는 $\theta \neq 0, \pi$ 에서 실수 고유벡터를 가지지 않는다. 그 고유값은 $e^{\pm i\theta}$ 이며, 복소 고유벡터에 대해 정의된다. 이는 회전이 어떤 실수 방향도 보존하지 않음(공간을 비틀어 회전시킴)을 반영한다.

3. 고유값 문제의 물리적 의미

3.1 진동 모드와 고유 주파수

질량-스프링 시스템과 같은 선형 진동 시스템

$M \ddot{\mathbf{q}} + K \mathbf{q} = \mathbf{0}$

의 정상 진동 해 $\mathbf{q}(t) = \mathbf{u} \cos(\omega t)$ 를 찾는 문제는 일반화된 고유값 문제

$K \mathbf{u} = \omega^2 M \mathbf{u}$

로 환원된다. 여기서 $\omega^2$ 가 고유값이고 $\mathbf{u}$ 가 고유벡터이다. 물리적 해석은 다음과 같다.

$\omega$ : 시스템의 고유 주파수(natural frequency)
$\mathbf{u}$ : 그 주파수에서 진동하는 모드 형상(mode shape)

각 모드는 시스템의 독립적인 진동 패턴을 나타내며, 일반적인 운동은 모드들의 선형 결합으로 분해된다.

3.2 응력과 변형률의 주축

연속체 역학에서 응력 텐서와 변형률 텐서의 고유값과 고유벡터는 다음의 물리적 의미를 가진다.

고유값: 주응력(principal stress) 또는 주변형률(principal strain), 즉 그 방향에서의 응력 또는 변형의 크기
고유벡터: 주축(principal axis), 즉 전단 성분이 없는 순수 수직 응력 또는 변형이 발생하는 방향

3.3 관성 모멘트의 주축

강체의 관성 텐서

$I = \begin{bmatrix} I_{xx} & I_{xy} & I_{xz} \\ I_{xy} & I_{yy} & I_{yz} \\ I_{xz} & I_{yz} & I_{zz} \end{bmatrix}$

는 대칭 양정치 행렬이며, 그 고유값과 고유벡터는 강체의 회전 운동을 단순화한다.

고유값: 주관성 모멘트(principal moment of inertia)
고유벡터: 관성 주축(principal axis of inertia)

관성 주축에 대한 회전은 관성 텐서가 대각선이 되는 가장 단순한 형태로 표현되며, 자유 회전 운동의 분석과 자세 안정성 해석에 본질적이다.

양자 역학에서의 가측량

양자 역학에서 가측량(observable)은 에르미트 연산자로 표현되며, 가능한 측정값은 그 연산자의 고유값이다. 측정 결과 시스템은 해당 고유값의 고유벡터에 대응하는 상태로 붕괴한다.

안정성 해석

선형 동역학 시스템 $\dot{\mathbf{x}} = A \mathbf{x}$ 의 평형점 안정성은 $A$ 의 고유값의 부호 (또는 실수부의 부호)로 판정된다.

모든 고유값의 실수부 $< 0$ : 점근 안정 (asymptotically stable)
적어도 하나의 고유값의 실수부 $> 0$ : 불안정
모든 고유값의 실수부 $\leq 0$ : 한계 안정 가능

비선형 시스템의 평형점에서는 자코비안의 고유값을 통해 국소 안정성이 분석된다 (리아푸노프의 간접 방법).

고유값과 고유벡터의 기본 성질

영의 공간

0이 행렬 $A$ 의 고유값일 필요 충분 조건은 $A$ 가 특이 행렬인 것이다. 0에 대응하는 고유벡터는 $A$ 의 영 공간의 비0 원소이다.

합과 곱

$A$ 의 모든 고유값을 (대수적 중복도 포함) $\lambda_1, \lambda_2, \ldots, \lambda_n$ 이라 하면

$\text{tr}(A) = \sum_{i=1}^{n} \lambda_i, \quad \det(A) = \prod_{i=1}^{n} \lambda_i$

이다. 이 두 관계는 고유값을 행렬의 원소로부터 부분적으로 추론하는 데 사용된다.

3.4 거듭제곱

$\mathbf{v}$ 가 $A$ 의 고유값 $\lambda$ 에 대응하는 고유벡터이면, $\mathbf{v}$ 는 $A^k$ 의 $\lambda^k$ 에 대응하는 고유벡터이다.

$A^k \mathbf{v} = \lambda^k \mathbf{v}$

이 성질은 행렬 거듭제곱과 행렬 함수의 정의에 본질적이다.

역행렬

$A$ 가 가역이면 $A^{-1}$ 의 고유값은 $A$ 의 고유값의 역수이며, 고유벡터는 동일하다.

$A^{-1} \mathbf{v} = \frac{1}{\lambda} \mathbf{v}$

3.5 전치

$A$ 와 $A^\top$ 은 같은 고유값을 가진다 (다항식 $\det(A - \lambda I) = \det(A^\top - \lambda I)$ 이므로). 그러나 일반적으로 고유벡터는 다르다.

3.6 닮음 변환

$B = P^{-1} A P$ 이면 $A$ 와 $B$ 는 같은 고유값을 가진다. 이는 닮음 변환이 행렬의 본질적 구조를 보존함을 보여 주는 핵심 사실이다.

4. 고유 공간

정의 6.31.2 (고유 공간). 행렬 $A$ 의 고유값 $\lambda$ 에 대응하는 고유 공간(eigenspace)은 다음과 같이 정의된다.

$E_\lambda = \{\mathbf{v} \in \mathbb{R}^n : A\mathbf{v} = \lambda \mathbf{v}\} = \text{Null}(A - \lambda I)$

이 집합은 $\lambda$ 에 대응하는 모든 고유벡터에 영벡터를 더한 것이며, 부분 공간을 이룬다. 그 차원을 $\lambda$ 의 기하학적 중복도(geometric multiplicity)라 한다. 특성 방정식에서 $\lambda$ 가 근으로 등장하는 횟수를 대수적 중복도(algebraic multiplicity)라 한다. 일반적으로 기하학적 중복도는 대수적 중복도 이하이다.

대각화와 고유 분해

행렬 $A$ 가 $n$ 개의 선형 독립인 고유벡터를 가질 때, $A$ 는 대각화 가능(diagonalizable)이라 한다. 이 경우

$A = P D P^{-1}$

여기서 $P$ 는 고유벡터를 열로 가지는 행렬, $D$ 는 대응하는 고유값을 대각 성분으로 가지는 대각 행렬이다. 이 분해를 고유 분해(eigendecomposition) 또는 스펙트럼 분해(spectral decomposition)라 한다.

대칭 실수 행렬은 항상 대각화 가능하며, 더욱이 직교 행렬에 의해 대각화된다 ( $P^{-1} = P^\top$ ). 이 결과를 스펙트럼 정리(spectral theorem)라 한다.

5. 로봇공학에서의 응용

5.1 관성 텐서의 주축 분해

강체 동역학에서 관성 텐서를 그 고유 좌표계로 표현하면 대각 행렬이 되며, 회전 운동 방정식이 크게 단순화된다. 이는 강체 자세 동역학과 자유 회전(예: 인공 위성)의 안정성 분석에 본질적이다. 가운데 주관성 모멘트에 해당하는 축에 대한 회전은 불안정하다는 잘 알려진 결과(테니스 라켓 정리)도 고유값 분석에서 직접 도출된다.

5.2 매니퓰레이터 진동 모드

유연 매니퓰레이터의 작은 진동은 선형화된 운동 방정식의 일반화된 고유값 문제로 환원된다. 고유 주파수와 모드 형상은 제어 대역폭의 결정, 공진 회피, 모드 기반 능동 제어 설계에 사용된다.

5.3 자코비안의 SVD와 가조작성 타원체

매니퓰레이터 자코비안 $J$ 의 SVD에서 특이값과 좌측/우측 특이벡터는 작업 공간에서 가능한 운동 방향과 그 크기를 정량화한다. $JJ^\top$ 의 고유값과 고유벡터는 가조작성 타원체(manipulability ellipsoid)의 주축의 길이와 방향을 결정한다.

5.4 칼만 필터의 공분산 분석

칼만 필터에서 추정 오차의 공분산 행렬의 고유값과 고유벡터는 추정 불확실성의 주축을 나타낸다. 가장 큰 고유값에 대응하는 방향이 가장 불확실한 방향이며, 이를 바탕으로 능동 센싱과 정보 기반 경로 계획이 설계된다.

5.5 안정성 해석과 제어 설계

선형화된 폐루프 시스템의 시스템 행렬의 고유값은 폐루프 안정성을 직접 판정한다. 극 배치(pole placement) 제어 설계는 시스템 행렬의 고유값을 원하는 값으로 이동시키는 입력을 설계하는 것과 동치이다.

5.6 주성분 분석과 차원 축소

관측 데이터의 공분산 행렬의 고유값 분해는 주성분 분석(PCA)의 핵심이다. 주성분은 데이터의 분산이 최대인 방향이며, 고차원 데이터를 저차원으로 효과적으로 압축하는 데 사용된다. 로봇 인지, 모션 캡처 데이터 분석, 형상 모델링 등에 활용된다.

5.7 평면 정합과 ICP

점 군 정합(point cloud registration)에서 정합된 점들의 공분산 행렬의 고유값 분해는 점 군의 주축과 형상의 이방성을 분석하는 데 사용되며, ICP(iterative closest point) 알고리즘의 정합 품질 평가에 사용된다.

5.8 강체 회전의 자세 표현

회전 행렬의 고유값은 항상 $1, e^{i\theta}, e^{-i\theta}$ 이며, 고유값 1에 대응하는 실수 고유벡터가 회전축이고 $\theta$ 가 회전각이다. 이는 회전 행렬에서 축-각도 표현을 추출하는 표준 방법이다.

참고문헌

Strang, G. (2023). Introduction to Linear Algebra (6th ed.). Wellesley-Cambridge Press.
Axler, S. (2024). Linear Algebra Done Right (4th ed.). Springer.
Horn, R. A., & Johnson, C. R. (2012). Matrix Analysis (2nd ed.). Cambridge University Press.
Greenwood, D. T. (2003). Advanced Dynamics. Cambridge University Press.

Version: 1.0