# 연립 미분방정식과 라플라스 변환

#### 연립 미분방정식의 일반적 형태와 배경

두 개 이상의 미지함수를 동시에 포함하는 미분방정식을 연립 미분방정식이라 한다. 예를 들어 미지함수로 구성된 벡터 함수를 $\mathbf{x}(t)$라 할 때, 이를 만족하는 $n$차원의 선형 연립 미분방정식은 다음과 같은 형태로 쓸 수 있다.

$$
\mathbf{x}'(t) = A \mathbf{x}(t) + \mathbf{f}(t),
$$

여기서 $\mathbf{x}(t)$는 $n$차원 벡터 함수이고, $A$는 $n \times n$ 정방행렬이며, $\mathbf{f}(t)$는 외부(강제)항에 해당하는 벡터 함수다. 만일 초깃값이 $\mathbf{x}(0) = \mathbf{x}\_0$로 주어진다면, 문제는 위 미분방정식을 만족하는 해 $\mathbf{x}(t)$를 찾는 것이다.

연립 미분방정식을 푸는 전형적인 방법 중 하나로 선형대수학에서의 고유값·고유벡터 해석, 지수행렬 $e^{At}$ 도입, 그리고 라플라스 변환을 통한 해법 등이 널리 사용된다. 그중 라플라스 변환은 초기치 문제를 해결하기에 대단히 적합하며, 스칼라 미분방정식뿐 아니라 연립 미분방정식의 해를 구하는 데도 효과적이다.

라플라스 변환을 통해 이 문제를 풀려면, 먼저 $\mathbf{x}(t)$의 라플라스 변환 $\mathbf{X}(s)$를 정의해야 한다. 각 성분 $x\_i(t)$에 대해 라플라스 변환을 취하면

$$
\mathbf{X}(s) = \mathcal{L}{\mathbf{x}(t)}(s) =  \begin{pmatrix} \mathcal{L}{x\_1(t)}(s) \ \vdots \ \mathcal{L}{x\_n(t)}(s) \end{pmatrix}
$$

와 같이 쓸 수 있다. 마찬가지로 $\mathbf{f}(t)$에 대해서도

$$
\mathbf{F}(s) = \mathcal{L}{\mathbf{f}(t)}(s)
$$

로 나타낸다.

#### 라플라스 변환을 적용한 해법

초기치를 갖는 선형 연립 미분방정식

$$
\mathbf{x}'(t) = A \mathbf{x}(t) + \mathbf{f}(t), \quad \mathbf{x}(0) = \mathbf{x}\_0
$$

에 라플라스 변환을 취하면, 미분연산이 $s$의 곱으로 바뀌는 성질에 의해 다음 결과를 얻는다.

$$
s \mathbf{X}(s) - \mathbf{x}\_0 = A \mathbf{X}(s) + \mathbf{F}(s).
$$

이를 정리하면

$$
\bigl(s I - A \bigr) \mathbf{X}(s) = \mathbf{x}\_0 + \mathbf{F}(s).
$$

따라서

$$
\mathbf{X}(s) = \bigl(s I - A \bigr)^{-1} \bigl(\mathbf{x}\_0 + \mathbf{F}(s)\bigr).
$$

여기에서 $\bigl(s I - A \bigr)^{-1}$ 행렬이 존재한다는 것은 $sI-A$가 가역(invertible)이라는 조건, 즉 $\det(sI - A) \neq 0$일 때 가능하다. 이 식을 얻은 뒤, 역라플라스 변환을 취함으로써 $\mathbf{x}(t)$를 구할 수 있다.

#### 행렬함수와 지수행렬

행렬 $A$에 대하여 $\bigl(s I - A \bigr)^{-1}$를 적절히 표현하기 위해서는 일반적으로 행렬함수와 함께 $\exp(At)$라 불리는 지수행렬의 개념이 사용된다. 만일 $\mathbf{f}(t)=\mathbf{0}$인 경우(즉, 균질계)에는

$$
\mathbf{X}(s) = \bigl(s I - A \bigr)^{-1} \mathbf{x}\_0
$$

가 된다. 이때 역라플라스 변환은 해가

$$
\mathbf{x}(t) = e^{At},\mathbf{x}\_0
$$

임을 보장한다. 여기서 $e^{At}$는 테일러 급수 정의에 의해

$$
e^{At} = I + At + \frac{(At)^2}{2!} + \frac{(At)^3}{3!} + \cdots
$$

로 정의되며, $A$가 대각화 가능하거나 혹은 조르당 표준형으로 변환할 수 있는 경우에 특히 계산이 수월해진다.

비균질항 $\mathbf{f}(t)$가 존재하면, 각 성분별로 적분공식을 이용하는 방법이나 라플라스 변환에서의 부분분수전개 등을 활용해 해를 구할 수 있다. 결국에는

$$
\mathbf{x}(t) = e^{At},\mathbf{x}\_0 + \int\_0^t e^{A(t-\tau)} \mathbf{f}(\tau), d\tau
$$

라는 전형적인 형태가 나온다. 이는 스칼라 미분방정식에서의 해법 공식을 벡터·행렬 연산으로 일반화한 형태다.

#### 예시 문제 설정

차원을 작게 두고 2차 연립 선형 미분방정식을 예로 들어 보면

$$
\mathbf{x}'(t) =  \begin{pmatrix} a & b \ c & d \end{pmatrix} \mathbf{x}(t) + \begin{pmatrix} f\_1(t) \ f\_2(t) \end{pmatrix},  \quad \mathbf{x}(0) =  \begin{pmatrix} x\_{01} \ x\_{02} \end{pmatrix}.
$$

라플라스 변환을 취하면

$$
s \mathbf{X}(s) -  \begin{pmatrix} x\_{01} \ x\_{02} \end{pmatrix} = \begin{pmatrix} a & b \ c & d \end{pmatrix} \mathbf{X}(s) + \begin{pmatrix} F\_1(s) \ F\_2(s) \end{pmatrix},
$$

여기서 $F\_1(s) = \mathcal{L}{f\_1(t)}(s)$, $F\_2(s) = \mathcal{L}{f\_2(t)}(s)$이다. 이를 벡터·행렬 연산으로 정리하면

$$
\bigl( s I -  \begin{pmatrix} a & b \ c & d \end{pmatrix} \bigr) \mathbf{X}(s) = \begin{pmatrix} x\_{01} \ x\_{02} \end{pmatrix} + \begin{pmatrix} F\_1(s) \ F\_2(s) \end{pmatrix}.
$$

즉,

$$
\mathbf{X}(s)  = \bigl( sI - A \bigr)^{-1} \bigl( \mathbf{x}\_0 + \mathbf{F}(s) \bigr),
$$

와 같이 간단히 표현된다. 이제 $\bigl( sI - A \bigr)^{-1}$를 구하고, 그 결과를 역라플라스 변환하면 $\mathbf{x}(t)$를 얻을 수 있다.

#### 고유값과 조르당 표준형을 통한 접근

행렬 $A$가 대각화 가능한 경우에는 $A = P \Lambda P^{-1}$ 형태로 나타낼 수 있다. 이때 $\Lambda$는 대각행렬로 고유값들이 배열된다. 이 경우 $\bigl(s I - A\bigr) = P \bigl(s I - \Lambda \bigr) P^{-1}$가 되므로

$$
\bigl(s I - A\bigr)^{-1} = P \bigl(s I - \Lambda \bigr)^{-1} P^{-1}
$$

가 되며, $\bigl(s I - \Lambda \bigr)^{-1}$는 매우 간단한 형태의 분수로 변환된다. 이를 통해 역라플라스 변환이 용이해진다. 행렬 $A$가 대각화가 불가능하더라도 조르당 표준형을 사용하여 유사한 접근이 가능하다. 각 조르당 블록별로 부분분수전개를 수행하면 일반항의 역라플라스 변환식을 얻을 수 있다.

이와 같은 방법들은 해석적 해를 구하거나, 해의 구조를 살펴볼 때 유용하며, 더욱 복잡한 비선형계나 시간에 따라 달라지는 계수행렬의 경우에도 적절한 변환이나 수치적 기법을 병행하여 확장할 수 있다.

#### 부분분수전개와 행렬 역변환

라플라스 변환을 통해 $\mathbf{X}(s) = \bigl(s I - A \bigr)^{-1} \bigl(\mathbf{x}\_0 + \mathbf{F}(s)\bigr)$를 얻은 뒤에 가장 까다로운 절차 중 하나는 $\bigl(s I - A \bigr)^{-1}$를 구한 후, 이를 적절히 부분분수전개 하여 역라플라스 변환으로 해를 표현하는 과정이다. 행렬 $A$가 2차 혹은 3차 등 낮은 차수인 경우에는 직접 행렬식을 구해 역행렬 공식을 사용하는 방식으로 처리할 수 있다. 차원이 커질수록 일반해가 복잡해지므로, 고유값과 고유벡터를 통한 대각화, 조르당 표준형, 혹은 컴퓨터 대수 시스템을 활용한 자동화를 고려한다.

2차 예제를 더 구체적으로 들자.

$$
A =  \begin{pmatrix} a & b \ c & d \end{pmatrix}
$$

의 경우,

$$
\det(sI - A)
\= \det \begin{pmatrix} s - a & -b \ -c & s - d \end{pmatrix}
\\
\= (s - a)(s - d) - (-b)(-c)
\\
\= (s - a)(s - d) - bc
$$

이므로,

$$
(sI - A)^{-1}  = \frac{1}{(s - a)(s - d) - bc} \begin{pmatrix} s - d & b \ c & s - a \end{pmatrix}.
$$

이 행렬의 각 원소를 $s$에 대한 유리함수 형태로 적절히 나누어 부분분수전개하면, 역라플라스 변환이 가능해진다. 실제 계산에서는 $(s - \lambda\_1)(s - \lambda\_2) = s^2 - (\lambda\_1 + \lambda\_2)s + \lambda\_1\lambda\_2$ 꼴이나, 특정 고유값이 중복되는 경우 등을 따져 가며 전개 방식을 결정한다.

예컨대 $(s - \lambda\_1)(s - \lambda\_2)$로 분해가 가능하면

$$
\frac{1}{(s-\lambda\_1)(s-\lambda\_2)} = \frac{1}{\lambda\_2-\lambda\_1} \Bigl(\frac{1}{s-\lambda\_1} - \frac{1}{s-\lambda\_2}\Bigr)
$$

같은 형태를 활용한다. 이후 각 항에 대해 표준적인 역라플라스 변환 관계인

$$
\mathcal{L}^{-1}\Bigl{\frac{1}{s-a}\Bigr}(t) = e^{at}
$$

등을 적용하면, 최종적으로 $\mathbf{x}(t)$가 지수항들의 선형결합(및 적분)으로 표현된다.

#### 벡터 적분 형태와 컨볼루션

비균질항이 있을 때, 혹은 특정한 외력이 적용될 때는 위에서 언급한 적분형 해

$$
\mathbf{x}(t) = e^{At},\mathbf{x}\_0 + \int\_0^t e^{A(t-\tau)} \mathbf{f}(\tau), d\tau
$$

를 만나게 된다. 라플라스 변환을 통해서도 이 사실이 쉽게 드러나는데, 라플라스 변환에서 곱셈이 시간영역의 컨볼루션으로 대응되기 때문이다. 이는 스칼라 함수의 경우

$$
\mathcal{L}\bigl{f\*g\bigr}(s) = \mathcal{L}{f}(s),\mathcal{L}{g}(s)
$$

라는 성질과 같다. 벡터나 행렬의 경우에도 동일 원리가 확장 적용된다. $e^{At}$의 라플라스 변환이 $\bigl(sI - A\bigr)^{-1}$이고, 그 곱셈이 역변환에서 적분(컨볼루션)으로 나타난다.

이 과정을 행렬 연산으로 표현하면

$$
\mathcal{L}\Bigl{e^{At}\Bigr} = \bigl(sI - A\bigr)^{-1},  \quad \mathcal{L}{\mathbf{f}(t)} = \mathbf{F}(s),
$$

그리고

$$
\mathcal{L}\Bigl{\int\_0^t e^{A(t-\tau)} \mathbf{f}(\tau), d\tau \Bigr} = \mathcal{L}\Bigl{e^{At}\Bigr} , \mathcal{L}{\mathbf{f}(t)} = \bigl(sI - A\bigr)^{-1} \mathbf{F}(s).
$$

따라서

$$
\mathcal{L}{\mathbf{x}(t)}  = \mathcal{L}\Bigl{e^{At},\mathbf{x}\_0\Bigr} + \bigl(sI - A\bigr)^{-1} \mathbf{F}(s),
$$

이 식이

$$
\mathbf{X}(s) = \bigl(sI - A\bigr)^{-1}\mathbf{x}\_0 + \bigl(sI - A\bigr)^{-1} \mathbf{F}(s)
$$

와 동일함을 쉽게 확인할 수 있다.

#### 해석적 관점과 수치해석적 관점

라플라스 변환법은 해석적(analytic) 표현을 직접 구할 수 있다는 장점이 있으나, 실제로 모든 문제에서 폐형 해(closed-form solution)를 명시적으로 구하기가 쉽지는 않다. 예컨대 높은 차수의 연립계에서는 복잡한 조르당 형식을 전개하거나, 고차 고유방정식을 해석적으로 풀어야 하므로 실용적이지 않을 수 있다. 따라서 수치해석적으로 접근할 때에는 고정점 반복법, 행렬 지수함수를 효율적으로 계산하는 알고리즘, 혹은 직접 시간영역에서 수치적 적분방법(오일러, 룽게-쿠타 등)을 활용하기도 한다.

그럼에도 불구하고 라플라스 변환법은 초기치 문제를 관통하는 구조를 잘 보여 준다. 균질해와 비균질해가 어떻게 분리되고, 고유값에 따른 모드 분해가 어떤 식으로 이루어지는지, 그리고 외부입력이 적분형으로 해에 작용한다는 점을 직관적으로 이해하기 쉬워진다.

#### 일반화: 시간에 따라 달라지는 계수행렬

계수행렬이 시간에 따라 달라지면

$$
\mathbf{x}'(t) = A(t),\mathbf{x}(t) + \mathbf{f}(t)
$$

같은 형태로 변한다. 이때는 라플라스 변환을 직접 적용하기가 훨씬 복잡해지는데, $e^{At}$가 상수 행렬 $A$에 대해서만 간단하게 정의되는 반면, $A(t)$가 시간종속일 경우엔 적분지수(integral exponential)나 시간순서 지수(time-ordered exponential)로 나타내는 별도의 정의가 필요하다. 스칼라라면 단순히 적분을 취하면 되지만, 행렬 연산에서는 교환법칙이 성립하지 않기에 주의해야 한다. 이런 문제에서는 보통 라플라스 변환 대신, 직접 피카르 반복(Picard iteration)을 이용하거나, 수치적 접근을 통해 해를 구하는 방식으로 진행한다.

그럼에도 불구하고 특정한 형태의 $A(t)$가 주어지면, 예를 들어 어떤 변수분리나 특이변환으로 시간에 대한 의존이 간단한 형태로 바뀌는 경우, 라플라스 변환이 여전히 역할을 할 수 있다. 예컨대 $A(t) = t A\_0$와 같은 단순함수라면 적절한 스케일 변환이나 군(growth) 연산 등을 도입해 해를 구할 수 있다.

#### 간단 예제의 실제 해 구하기

2차 계를 예로 들어, $A$와 $\mathbf{f}(t)$가 구체적인 형태로 주어졌다고 하자.

$$
A =  \begin{pmatrix} 2 & -1 \ 1 & 0 \end{pmatrix}, \quad \mathbf{f}(t) = \begin{pmatrix} e^{3t} \ t \end{pmatrix}, \quad \mathbf{x}(0) =  \begin{pmatrix} 1 \ 0 \end{pmatrix}.
$$

라플라스 변환을 취하면

$$
s \mathbf{X}(s) -  \begin{pmatrix} 1 \ 0 \end{pmatrix} = \begin{pmatrix} 2 & -1 \ 1 & 0 \end{pmatrix} \mathbf{X}(s) + \begin{pmatrix} \mathcal{L}{e^{3t}}(s) \ \mathcal{L}{t}(s) \end{pmatrix}.
$$

즉,

$$
\bigl(sI - A\bigr) \mathbf{X}(s) = \begin{pmatrix} 1 \ 0 \end{pmatrix} + \begin{pmatrix} \frac{1}{s-3} \ \frac{1}{s^2} \end{pmatrix}.
$$

행렬 $sI - A$는

$$
sI - A = \begin{pmatrix} s - 2 & 1 \ -1 & s \end{pmatrix},
$$

이 행렬식은

$$
\det \begin{pmatrix} s - 2 & 1 \ -1 & s \end{pmatrix} = (s-2),s - (1)(-1) = s^2 - 2s + 1 = (s-1)^2.
$$

역행렬은

$$
\bigl(sI - A\bigr)^{-1}  = \frac{1}{(s-1)^2} \begin{pmatrix} s & -1 \ 1 & s-2 \end{pmatrix}.
$$

따라서

$$
\mathbf{X}(s) = \frac{1}{(s-1)^2} \begin{pmatrix} s & -1 \ 1 & s-2 \end{pmatrix} \Biggl( \begin{pmatrix} 1 \ 0 \end{pmatrix} + \begin{pmatrix} \frac{1}{s-3} \ \frac{1}{s^2} \end{pmatrix} \Biggr).
$$

이제 벡터 곱셈을 전개하고, 부분분수로 쪼개면 다음과 같은 꼴로 나타난다.

$$
\mathbf{X}(s) = \frac{1}{(s-1)^2} \begin{pmatrix} s & -1 \ 1 & s-2 \end{pmatrix} \begin{pmatrix} 1 + \frac{1}{s-3} \ \frac{1}{s^2} \end{pmatrix}.
$$

분자를 전개하면 각 성분이 $s, (s-3), s^2$ 등으로 구성된 유리함수의 합이 된다. 예컨대 첫 번째 성분은

$$
\frac{s \bigl(1 + \frac{1}{s-3}\bigr) -1 \Bigl(\frac{1}{s^2}\Bigr)} {(s-1)^2},
$$

형태가 되고, 두 번째 성분도 유사하게 전개된다. 각 항을 적절히 공통분모로 묶고, 부분분수전개를 시행하면

$$
\mathbf{X}(s)  = \begin{pmatrix} X\_1(s) \ X\_2(s) \end{pmatrix}
$$

에서 $X\_1(s), X\_2(s)$ 각각이 지수항 혹은 다항 곱 지수항들의 합으로 표현된다. 그 뒤

$$
\mathbf{x}(t) = \begin{pmatrix} \mathcal{L}^{-1}{X\_1(s)}(t) \ \mathcal{L}^{-1}{X\_2(s)}(t) \end{pmatrix}
$$

로 최종 해를 얻는다. 계산 과정에서 $(s-1)^2$ 꼴이 등장하므로 $t e^{t}$ 형태가 나타나거나, $e^{3t}$ 형태가 섞여 등장할 것이 예측된다. 실제로, $(s-1)^2$가 분모에 있으면

$$
\mathcal{L}^{-1}\Bigl{\frac{1}{(s-1)^2}\Bigr}(t) = t e^{t}
$$

가 이용된다.

이처럼 라플라스 변환 접근법은 문제의 차원, 행렬 $A$의 형태, 초깃값, 외력항 등에 따라 계산 절차가 다양하나, 전체적인 알고리즘은 동일하다. 변수 분리에 적합하지 않은 선형 연립 미분방정식이라도, 라플라스 변환을 적용하면 통일된 틀 안에서 해를 구할 수 있다는 특징이 크다.

#### 반복근(고유값 중복)과 조르당 표준형 해석

행렬 $A$의 고유값 중 어떤 것이 반복근(repeated eigenvalue)일 경우, 즉 스펙트럼에서 동일한 값을 갖는 고유값의 중복도가 2 이상일 때, 행렬이 대각화되지 않을 수 있으며 그에 따라 조르당 표준형(Jordan normal form)을 이용한 해석이 필요해진다. 조르당 표준형으로 변환하면 행렬 $A$는

$$
A = PJP^{-1}
$$

와 같은 형태로 표현되며, $J$는 조르당 블록들로 구성된다. 예컨대 $A$가 $n\times n$ 정방행렬이고, 어떤 고유값 $\lambda$가 중복도 2짜리 조르당 블록을 가진다고 하자. 해당 조르당 블록은

$$
\begin{pmatrix} \lambda & 1 \ 0 & \lambda \end{pmatrix}
$$

형태가 된다. 그 결과, 지수행렬 $e^{At}$은

$$
e^{At} = P e^{Jt} P^{-1},
$$

에서 $e^{Jt}$가 각 조르당 블록에 대해

$$
e^{\begin{pmatrix} \lambda & 1 \ 0 & \lambda \end{pmatrix} t} = e^{\lambda t} \begin{pmatrix} 1 & t \ 0 & 1 \end{pmatrix}
$$

등으로 나타나게 된다. 즉, 지수함수와 함께 $t$가 곱해진 항이 새롭게 등장한다. 이는 스칼라 미분방정식에서의 단순 지수해와 달리, 어떤 해 성분이 $t e^{\lambda t}$ 같은 항을 포함하여 변화하는 양상을 보여 준다.

라플라스 변환으로 문제를 풀 때도 이 사실이 반영되어, $\bigl(sI - A\bigr)^{-1}$가 단순히 $(s-\lambda)^{-1}$ 형태로 구성되지 않고 $(s-\lambda)^{-2}$, $(s-\lambda)^{-3}$ 등 고차항이 포함될 수 있다. 이런 항들은 역라플라스 변환시 $t, t^2/2!, \dots$ 등과 결합된 지수항으로 나타난다. 예를 들어

$$
\mathcal{L}^{-1}\Bigl{\frac{1}{(s-a)^2}\Bigr}(t) = t e^{a t},
\\
\mathcal{L}^{-1}\Bigl{\frac{1}{(s-a)^3}\Bigr}(t) = \frac{t^2}{2!} e^{a t},
$$

등의 표준 공식이 그대로 적용되는 것이다. 따라서 중복된 고유값을 가진 연립 미분방정식의 해를 라플라스 변환으로 구하려면, 부분분수전개 과정에서 $(s-\lambda)^m$ 꼴의 분모가 나타날 수 있음을 주의하여 전개해야 한다.

#### 라플라스 변환의 안정성 분석 관점

연립 미분방정식에서 $A$의 고유값은 해의 거동, 즉 안정성(stability) 특성과 밀접한 관련이 있다. 특히 선형 계

$$
\mathbf{x}'(t) = A \mathbf{x}(t)
$$

에 대하여, 실부(Real part) 관점에서 모든 고유값이 음수일 경우(Real($\lambda\_i$)$<0$ for all $i$) 해는 $t\to\infty$에서 $\mathbf{0}$으로 수렴한다. 이렇게 되면 지수적 안정(exponential stability)을 갖는다고 말할 수 있다. 반면, 어떤 고유값의 실부가 양수이거나, 혹은 $\lambda=0$이 고유값으로 존재하여 중립적(neutral) 거동을 일으킬 경우 시스템의 해는 발산하거나(불안정), 일정한 주기운동 혹은 비정상 해를 생성한다.

라플라스 변환 $\mathbf{X}(s)$에서, 각 고유값 $\lambda$가 우반평면(Re($s$)>0)에서 극점(pole)을 형성하는지는 해의 안정성 판정과도 연결된다. 구체적으로, $(sI - A)$의 극점은 $s=\lambda\_i$가 되므로, 그 점이 실부영역에서 $s$-평면의 어떤 위치를 가지는가에 따라 해의 거동이 결정된다. $\text{Re}(\lambda\_i) < 0$이면 타당한 초깃값 문제에서 해가 발산하지 않고 안정하게 수렴하는 반면, $\text{Re}(\lambda\_i) > 0$이면 라플라스 변환상 해당 극점이 우반평면에 위치하여 해가 $e^{\lambda\_i t}$ 형태로 지수적 성장을 보인다.

#### 시간영역에서의 구간별 외력(Heaviside 함수) 적용

다양한 실제 문제에서는 외부 입력(강제항)이 구간별로 다르게 적용되거나, 특정 시점부터만 입력이 시작되는 케이스를 자주 다룬다. 예컨대

$$
\mathbf{f}(t)  =  \begin{cases} \mathbf{0}, & t < T,\ \mathbf{f\_0}, & t \ge T \end{cases}
$$

같은 형태로 주어지는 경우, 시간영역에서는 헤비사이드 함수 $u(t-T)$를 사용해

$$
\mathbf{f}(t) = \mathbf{f\_0}, u(t-T)
$$

와 같이 표현할 수 있다. 스칼라 경우에도 잘 알려진

$$
\mathcal{L}{u(t-a)}(s) = \frac{e^{-as}}{s}
$$

가 있듯이, 벡터·행렬의 맥락에서도 동일 원리가 확장 적용된다. 즉,

$$
\mathcal{L}\Bigl{\mathbf{f\_0} u(t-T)\Bigr}(s) = e^{-Ts} \frac{\mathbf{f\_0}}{s}.
$$

이를 통해,

$$
\mathbf{X}(s) = \bigl(sI - A\bigr)^{-1} \Bigl( \mathbf{x}\_0 + e^{-T s}\frac{\mathbf{f\_0}}{s} \Bigr)
$$

같은 식으로 표현할 수 있다. 그리고 역라플라스 변환 후, 실제로 $t\<T$ 구간에서는 외력항이 0이므로 균질해만 남고, $t\ge T$ 구간부터는 외력에 의한 추가 적분이 붙는 형태가 명확히 드러난다. 요약하면, 라플라스 변환법은 구간별로 정의된 외부입력을 취급할 때도 헤비사이드 함수를 통해 손쉽게 확장할 수 있다는 장점이 있다.

#### 분포(델타 함수)와 임펄스 입력

더 나아가, $\delta(t-a)$ 같은 디랙 델타(Dirac delta) 분포가 입력으로 등장하는 경우도 자주 발생한다. 물리적으로는 임펄스(충격) 형태의 외력이라 해석할 수 있는데, 라플라스 변환에서

$$
\mathcal{L}{\delta(t-a)} = e^{-as}
$$

가 되므로, 외력항에 $\mathbf{f}(t) = \mathbf{F\_0},\delta(t-a)$를 적용하면, 라플라스 영역에서

$$
\mathbf{F}(s) = \mathbf{F\_0}, e^{-as}
$$

로 단순하게 표현된다. 또한 시간영역 해석에서 $t\<a$에서는 해에 영향이 없고 $t=a$ 시점에만 순간적인 변위 혹은 변화가 발생한다. 라플라스 변환을 통해 이 사실이 매우 직관적으로 드러나며, 실제로 역변환 시에도 헤비사이드적 적분 형태로 해를 복원한다.

예시로,

$$
\mathbf{x}'(t) = A \mathbf{x}(t) + \mathbf{F\_0},\delta(t-a),  \quad \mathbf{x}(0) = \mathbf{x}\_0,
$$

를 변환하면

$$
s\mathbf{X}(s) - \mathbf{x}\_0  = A \mathbf{X}(s) + \mathbf{F\_0}, e^{-as}.
$$

정리하면

$$
\mathbf{X}(s) = \bigl(sI - A\bigr)^{-1}\mathbf{x}\_0 + \bigl(sI - A\bigr)^{-1} \mathbf{F\_0}, e^{-as}.
$$

역변환에서 $e^{-as}$ 항은 시간영역에서 $u(t-a)$로 대응되며, 그 앞에 $\bigl(sI - A\bigr)^{-1}$가 곱해져 있으므로,

$$
\mathbf{x}(t) = e^{At},\mathbf{x}\_0 + \int\_0^t e^{A(t-\tau)} \mathbf{F\_0},\delta(\tau-a), d\tau.
$$

델타 함수의 적분 성질에 의해, 이 적분은 $\tau=a$에서만 값을 가지므로

$$
\mathbf{x}(t) = e^{At},\mathbf{x}\_0 + u(t-a),e^{A(t-a)} \mathbf{F\_0}.
$$

즉, $t\<a$에서는 $\mathbf{F\_0}$가 전혀 영향을 주지 않다가, $t=a$ 이후로는 충격으로 인해 시스템 상태가 순간적으로 $\mathbf{F\_0}$만큼 변형되어, 그 시점부터 새 출발로 (균질해와 동일한 형태지만 다른 초깃값에서 시작하는 식으로) 진행된다. 이는 충격응답(impulse response)을 명확히 보여 주는 예다.

#### 비선형계로의 확장 가능성

라플라스 변환 기법은 본질적으로 선형 연산에 특화되어 있으며, $\mathbf{x}'(t) = A \mathbf{x}(t)$와 같은 선형 구조를 잘 반영한다. 그러나 실제 현상에서는 비선형항이 포함된 형태

$$
\mathbf{x}'(t) = A \mathbf{x}(t) + \mathbf{g}\bigl(\mathbf{x}(t), t\bigr)
$$

를 다루어야 하는 경우가 많다. 이런 계에 대해서 라플라스 변환을 엄밀하게 적용하기란 쉽지 않다. 비선형항이 적절한 전개나 근사(예: 볼테라 시리즈나 파라메트릭 확장)를 통해 선형 + 추가 항의 형태로 표현 가능하다면, 혹은 작용소 형태의 반복수열(픽카르 적분)을 병행한다면 어느 정도 해결 가능성은 열려 있다. 하지만 일반적으로는 직접적이고 단순한 분석해(Closed-form solution)를 구하기 어려울 수 있어, 수치해석이나 소규모 근사해를 병용하는 것이 실용적이다.

그럼에도 불구하고, 비선형 계를 “선형화(linearization)”하여 근사 분석할 때라든가, 적분방정식 꼴로 변환 후 반복적으로 선형 풀이를 사용하는 방식(픽카르-라플라스 방법) 등을 통해 라플라스 변환을 부분적으로 활용하는 연구가 이어지고 있다. 특히, 약간의 비선형 성분이 포함된 연립 미분방정식에서 선형 부분은 라플라스 변환으로 다루고, 그 나머지를 교정항(correction)으로 처리하는 아이디어가 적용된다.

#### 실제 응용과 더 넓은 맥락

연립 미분방정식은 물리학, 공학, 생물학 등에서 매우 흔히 나타난다. 예를 들어 전기회로의 상태방정식, 기계 진동의 모드해석, 화학 동역학, 인구모형, 역학적 로봇 조인트 시스템 등에서 모두 연립 1차 미분방정식 형태로 문제를 정식화할 수 있으며, 초기조건 혹은 경계조건이 주어지면 해를 구해야 한다. 이럴 때, 라플라스 변환은 적어도 선형 계에 한해서는 해 구조를 빠르게 파악하고, 기본 해(균질해)와 외력에 의한 반응(비균질해)을 체계적으로 분리해 준다.

또한 복소평면 상에서 극점을 해석함으로써, 계의 자연진동 고유진동수(Imag($\lambda\_i$)와 관련된 부분), 감쇠 혹은 발산(Real($\lambda\_i$) 부호) 등을 한눈에 관찰할 수 있다. 이는 제어공학에서 전이함수(transfer function) 개념과 이어지며, 시스템 안정성 및 응답특성을 라플라스 영역(주파수 영역 포함)에서 분석하는 일관된 틀을 제공한다.

#### 모드 해석과 중첩(superposition)

선형 연립 미분방정식은 모드(mode) 해석 개념을 통해, 여러 독립적인 고유모드(eigenmode)들의 중첩 합으로 해를 구성할 수 있다. 예를 들어 계수가 상수인 선형계

$$
\mathbf{x}'(t) = A,\mathbf{x}(t) + \mathbf{f}(t)
$$

에서, $A$의 고유값이 $\lambda\_1, \lambda\_2, \dots, \lambda\_n$이라 하면, 균질해(외력이 없는 경우의 해)는 대체로

$$
\mathbf{x}*\text{hom}(t) = \sum*{k=1}^{n} \Bigl( C\_k,\mathbf{v}\_k, e^{\lambda\_k t} + \text{(조르당 항)}\Bigr)
$$

와 같이 나타난다. 여기서 $\mathbf{v}\_k$는 각 고유값에 대응하는 (일반)고유벡터이고, 반복근이 있을 경우에는 $t e^{\lambda\_k t}$ 형태의 추가항이 포함될 수 있다. 모드 해석의 관점에서, 연립계의 동특성은 이러한 고유값 및 고유벡터가 결정하며, 라플라스 변환 과정에서 각각 $(s - \lambda\_k)$가 극점을 형성한다. 비균질해는 고유모드들에 대한 부가적 반응을 야기하는 항으로, 분해된 좌표계(고유벡터 기저)에서 적분형 혹은 부분분수 형태로 기술된다. 실제 응용에서는 수많은 자유도가 존재하는 대규모 시스템을 해석할 때, 모드 해석이 시스템 거동을 직관적으로 파악하는 핵심 수단이 된다.

#### 라플라스 변환과 상태방정식(전이행렬)

연립 1차 미분방정식을 상태방정식(state equation) 형태로 표현하는 경우가 많다. 예를 들어 제어공학이나 신호처리에서 흔히 쓰이는

$$
\mathbf{x}'(t) = A \mathbf{x}(t) + B \mathbf{u}
\\
\mathbf{y}(t) = C \mathbf{x}(t) + D \mathbf{u}(t)
$$

와 같은 형태가 그렇다. 여기서 $\mathbf{x}(t)$는 상태(state) 벡터, $\mathbf{u}(t)$는 입력(input), $\mathbf{y}(t)$는 출력(output), 그리고 $A, B, C, D$는 상수 행렬이라 가정한다. 라플라스 변환을 적용하면 출력 $\mathbf{Y}(s)$와 입력 $\mathbf{U}(s)$ 사이의 관계를 전이함수(transfer function) 형태로 정리할 수 있다. 즉, 라플라스 변환으로 얻은

$$
s\mathbf{X}(s) - \mathbf{x}(0) = A,\mathbf{X}(s) + B,\mathbf{U}(s),
\\
\mathbf{Y}(s) = C,\mathbf{X}(s) + D,\mathbf{U}(s),
$$

를 연립하여 $\mathbf{X}(s)$를 소거하면

$$
\mathbf{Y}(s)  =  \bigl(C,(sI - A)^{-1},B + D \bigr)\mathbf{U}(s).
$$

이때

$$
G(s) = C,(sI - A)^{-1},B + D
$$

를 전이함수라고 한다. 이 $G(s)$가 계의 극점, 영점, 안정성, 주파수 응답 특성을 모두 반영하므로, 제어이론에서 가장 중요한 대상이 된다. 라플라스 변환으로 연립 미분방정식을 해석하는 접근이, 바로 이런 전이함수 개념과 직결되는 셈이다.

#### 스칼라화된 전이함수와 정상상태 해

출력이 스칼라 값인 경우(예: 1차 출력)에 주목하면, 전이함수 $G(s)$도 스칼라 형태가 된다. 이때 입력 $\mathbf{u}(t)$가 주어진 특정 신호(단위 계단, 임펄스, 사인파, 지수함수 등)라고 할 때, 그 라플라스 변환 $\mathbf{U}(s)$를 곱해 역변환하면 출력 $\mathbf{y}(t)$를 구할 수 있다. 예를 들어

$$
\mathbf{y}(t) = \mathcal{L}^{-1}{ G(s),\mathbf{U}(s)}(t)
$$

식으로 표현된다. 계가 안정적이면(고유값 실부가 모두 음수), $t\to\infty$에서의 정상상태 해(steady state)가 존재하게 된다. 특히 $\mathbf{u}(t)$가 상수 입력이거나 사인함수 입력일 때, 정상상태 해는 잘 알려진 바와 같이 일정값 혹은 위상지연을 가진 같은 주파수 사인파 등의 형태가 된다. 라플라스 변환 접근을 사용하면 과도응답(Transient response)과 정상상태응답(steady-state response)을 체계적으로 분리할 수 있으며, 시간영역에서 복잡해 보이는 응답을 도수영역(s-영역)에서 단순 곱셈으로 해석할 수 있다.

#### 비선형, 시변 계에서의 근사적 라플라스 접근

비선형 계나 시변(time-varying) 계수를 가진 계에 대해 라플라스 변환으로 완벽한 해석을 하기란 제한이 많다. 그럼에도 불구하고, 작은 진동(linearization)이나 적분방정식의 반복해법(픽카르 방정식) 같은 간접 방식을 통해 부분적으로 라플라스 기법을 활용할 수 있다. 예컨대,

1. 평형점(steady-state equilibrium) 부근에서의 선형화를 통해 $A(t)$나 $A$ 행렬을 구하고,
2. 그 부근의 국소 해(local solution)를 라플라스 변환으로 구하거나,
3. 시변 계라도 천천히 변하는(quasi-static) 경우, 짧은 구간마다 상수로 근사하여 조각별 해를 연결하는 방식 등 여러 기법이 연구되어 왔다. 이러한 근사 해석은 과도응답이나 공진 현상 등을 빠르게 추정하는 데 유용하며, 이후 정확한 수치적 해석이나 전산 시뮬레이션과 결합해 문제 해결 시간을 단축시키는 보조 수단이 된다.

#### 고차원의 해석과 복잡계

실험적으로나 실무적으로는 $n$이 매우 큰 계를 라플라스 변환만으로 해석하기가 쉽지 않다. 예를 들어 $A$가 수천×수천 차원 이상인 대규모 구조물(건축, 우주항공), 네트워크 시스템(전력망, 대규모 회로망), 생물학적 상호작용 모델 등을 생각해 보면, 사실상 직접 해석이나 부분분수전개가 불가능하다. 이 경우, 분할 정복(partitioning) 기법이나 모드 트렁케이션(mode truncation) 기법, 모드중립기법 등 다양한 실용적 알고리즘이 개발되어 있다. 대표적으로는

1. 관심 모드(실부가 작은 고유값, 혹은 임계 주파수 부근의 모드 등)만 남기고 나머지는 무시,
2. 스펙트럼 분포에 따라 그룹화 하여 차원을 대폭 줄인 모형을 만든 뒤, 라플라스 변환 혹은 행렬지수 계산을 적용해 근사적인 해를 구한다. 이는 다소 오차가 있더라도 해의 전반적 양상과 주요 모드를 빠르게 파악하는 실용적 해법이며, 이미 구조 해석, 제어계 설계, 동적 시뮬레이션 등에서 널리 쓰인다.

#### 추가 예시: 결합된 진동계

간단히 연결된 질량-스프링-감쇠계, 혹은 LC 회로망 등에서 발생하는 $2$차 또는 $n$차 계 물리계는, 상태방정식으로 옮겨 적으면 $2n$차 연립 1차 미분방정식이 된다. 예컨대 질량-스프링-감쇠계의 경우, 변위-속도를 상태변수로 잡으면

$$
\mathbf{x}'(t) =  \begin{pmatrix} \mathbf{0} & I \ -M^{-1} K & -M^{-1} C \end{pmatrix} \mathbf{x}(t) +  \begin{pmatrix} \mathbf{0} \ M^{-1} \mathbf{F}(t) \end{pmatrix}
$$

형태가 된다. 여기서 $M, K, C$는 각각 질량, 스프링상수(강성), 감쇠행렬을 의미한다. 라플라스 변환으로 문제를 풀면, 결국

$$
\mathbf{X}(s)  =  \Bigl(s I -  \begin{pmatrix} \mathbf{0} & I \ -M^{-1} K & -M^{-1} C \end{pmatrix} \Bigr)^{-1} \begin{pmatrix} \mathbf{x}(0) \ \mathbf{x}'(0) \end{pmatrix} ;+; \text{(비균질항 변환)}.
$$

행렬식 크기가 $2n \times 2n$에 달하므로 일반적인 부분분수전개는 대형계에서 현실적이지 않지만, 고유치(진동수) 및 감쇠 특성을 이용한 모드 해석을 수행하면 해를 효율적으로 구할 수 있다. 그리고 컴퓨터 대수 시스템(CAS)이나 전산수치 솔버를 통해, 라플라스 영역에서 직접 전이함수를 구성하고 안정성, 주파수 응답, 과도응답 등을 일괄 파악한다.

#### 라플라스 변환의 장단점 요약

라플라스 변환은 초기값 문제 설정에 매우 적합하며, 연립 선형 미분방정식에 대해서도 통일된 해석 틀을 제공한다. 상태방정식, 전이함수, 모드 해석, 델타 함수·헤비사이드 함수 등과 결합하여 매우 강력한 이론적 기반을 형성한다. 그러나 차수가 커지거나 비선형·시변 요소가 두드러지는 경우에는 실무적 한계가 있기에, 적절한 근사나 수치기법과 결합하여 사용해야 한다. 그럼에도 불구하고, 연립 선형 미분방정식을 다루는 과정에서 라플라스 변환으로부터 얻을 수 있는 통찰—초기값 접근, 고유모드 분해, 응답의 컨볼루션 구조, 전이함수 극점 분석 등—은 문제 해석과 시스템 설계에 매우 큰 도움을 준다.