docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,235 @@
|
||||
---
|
||||
id: wiki-2026-0508-bioenergetics
|
||||
title: Bioenergetics
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [생체 에너지학, ATP, mitochondria, metabolism, thermodynamics, neuromorphic computing]
|
||||
duplicate_of: none
|
||||
source_trust_level: B
|
||||
confidence_score: 0.85
|
||||
verification_status: conceptual
|
||||
tags: [biology, biochemistry, atp, metabolism, mitochondria, thermodynamics, neuromorphic, energy-efficiency]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: biology / biochemistry
|
||||
applicable_to: [Neuromorphic Computing, Energy-Efficient AI, Drug Discovery]
|
||||
---
|
||||
|
||||
# Bioenergetics
|
||||
|
||||
## 📌 한 줄 통찰
|
||||
> **"매 생명 = 매 entropy 의 저항"**. 매 thermodynamics 2nd law (entropy ↑) 의 against — 매 energy 의 collect + transform → 매 order. 매 ATP 의 currency. 매 modern AI 의 inspiration: 매 neuromorphic computing 의 energy efficiency.
|
||||
|
||||
## 📖 핵심
|
||||
|
||||
### 매 ATP (생명 의 currency)
|
||||
- Adenosine Triphosphate.
|
||||
- 매 phosphate bond 의 cleave → 매 energy.
|
||||
- 매 cell 의 매 활동 의 fuel.
|
||||
- 매 인간 의 매 day 의 매 자기 무게 만큼 의 ATP turnover.
|
||||
|
||||
### 매 thermodynamics
|
||||
- **2nd law**: 매 entropy 의 ↑ in 의 closed system.
|
||||
- **Living system**: 매 open system — 매 외부 의 free energy.
|
||||
- **Gibbs free energy** (ΔG): 매 work 의 가능 amount.
|
||||
- **Coupling**: 매 ΔG > 0 reaction 의 매 ΔG < 0 의 hydrolysis 의 drive.
|
||||
|
||||
### 매 metabolism
|
||||
|
||||
#### Catabolism (이화)
|
||||
- 매 분해 → 매 energy.
|
||||
- 매 glucose → 매 36 ATP (full oxidation).
|
||||
|
||||
#### Anabolism (동화)
|
||||
- 매 build → 매 order (protein, DNA).
|
||||
- 매 ATP 의 consume.
|
||||
|
||||
### 매 핵심 pathway
|
||||
1. **Glycolysis**: 매 cytosol, 매 glucose → pyruvate, 매 2 ATP.
|
||||
2. **TCA / Krebs cycle**: 매 mitochondria matrix.
|
||||
3. **Electron transport chain (ETC)**: 매 inner membrane.
|
||||
4. **Oxidative phosphorylation**: 매 32 ATP.
|
||||
5. **Fermentation** (anaerobic): 매 lactate / ethanol.
|
||||
|
||||
### 매 mitochondria
|
||||
- 매 powerhouse.
|
||||
- 매 own DNA (maternal).
|
||||
- 매 chemiosmotic gradient (Mitchell 1961).
|
||||
- 매 endosymbiotic origin.
|
||||
|
||||
### 매 efficiency
|
||||
- 매 muscle: 25% (rest 가 heat).
|
||||
- 매 photosynthesis: 1-3% (광합성).
|
||||
- 매 brain: 매 20W 의 100T synapse.
|
||||
- 매 GPU (LLM): 매 100s of W 의 inference.
|
||||
|
||||
→ 매 brain 의 efficiency 의 100,000× 의 vs current AI.
|
||||
|
||||
### 매 modern AI 의 응용
|
||||
|
||||
#### Neuromorphic computing
|
||||
- 매 spike-based.
|
||||
- 매 event-driven (sparse).
|
||||
- 매 in-memory compute.
|
||||
- 매 chip: Intel Loihi, IBM TrueNorth, BrainChip Akida.
|
||||
|
||||
#### Energy-efficient ML
|
||||
- 매 quantization (INT8, INT4).
|
||||
- 매 sparse activation.
|
||||
- 매 mixture of experts (only activated subset).
|
||||
- 매 distillation.
|
||||
|
||||
#### Biological inspiration
|
||||
- 매 spike-timing-dependent plasticity (STDP).
|
||||
- 매 reservoir computing.
|
||||
- 매 differentiable physical system.
|
||||
|
||||
### 매 medical 응용
|
||||
- **Mitochondrial disease**: 매 inherited.
|
||||
- **Cancer**: 매 Warburg effect (glycolysis 의 prefer).
|
||||
- **Aging**: 매 mitochondrial dysfunction.
|
||||
- **Diabetes**: 매 metabolic dysregulation.
|
||||
- **Drug**: 매 target metabolic enzyme.
|
||||
|
||||
### 매 evolutionary
|
||||
- 매 archaea + bacteria 의 endosymbiosis (mitochondria).
|
||||
- 매 eukaryote 의 큰 size 의 enable.
|
||||
- 매 multicellular 의 prerequisite.
|
||||
|
||||
## 💻 패턴 (응용 — neuromorphic / energy-efficient ML)
|
||||
|
||||
### Spiking Neural Network (SNN)
|
||||
```python
|
||||
import torch
|
||||
import torch.nn as nn
|
||||
|
||||
class LIFNeuron(nn.Module):
|
||||
"""Leaky Integrate-and-Fire — biological-style."""
|
||||
def __init__(self, threshold=1.0, decay=0.9):
|
||||
super().__init__()
|
||||
self.threshold = threshold
|
||||
self.decay = decay
|
||||
self.v = 0
|
||||
|
||||
def forward(self, x):
|
||||
self.v = self.decay * self.v + x
|
||||
spike = (self.v >= self.threshold).float()
|
||||
self.v = self.v * (1 - spike) # 매 reset on spike
|
||||
return spike
|
||||
|
||||
# 매 input 의 most 의 zero (sparse) → 매 energy ↓
|
||||
```
|
||||
|
||||
### Energy-aware training
|
||||
```python
|
||||
def carbon_aware_train(model, dataset, max_kwh):
|
||||
energy_used = 0
|
||||
for batch in dataset:
|
||||
loss = compute_loss(model, batch)
|
||||
loss.backward()
|
||||
optimizer.step()
|
||||
|
||||
energy_used += measure_gpu_power_wh()
|
||||
if energy_used > max_kwh * 1000:
|
||||
log(f'Energy budget exhausted: {energy_used} Wh')
|
||||
break
|
||||
```
|
||||
|
||||
### Mixture of Experts (sparse activation)
|
||||
```python
|
||||
class MoELayer(nn.Module):
|
||||
def __init__(self, n_experts=8, top_k=2):
|
||||
super().__init__()
|
||||
self.experts = nn.ModuleList([Expert() for _ in range(n_experts)])
|
||||
self.gate = nn.Linear(d_in, n_experts)
|
||||
self.top_k = top_k
|
||||
|
||||
def forward(self, x):
|
||||
scores = self.gate(x).softmax(dim=-1)
|
||||
top_scores, top_idx = scores.topk(self.top_k, dim=-1)
|
||||
|
||||
# 매 only top-k 의 active → 매 sparse computation
|
||||
out = sum(top_scores[..., i].unsqueeze(-1) * self.experts[idx](x)
|
||||
for i, idx in enumerate(top_idx.unbind(-1)))
|
||||
return out
|
||||
```
|
||||
|
||||
### Quantization (INT8 inference)
|
||||
```python
|
||||
import torch.quantization as tq
|
||||
|
||||
model.eval()
|
||||
qmodel = tq.quantize_dynamic(model, {nn.Linear}, dtype=torch.qint8)
|
||||
# 매 75% 의 size ↓, 매 2-4× faster, 매 energy ↓
|
||||
```
|
||||
|
||||
### Energy estimation
|
||||
```python
|
||||
# 매 GPU energy of 1 token (LLM)
|
||||
GPU_TDP_W = 700 # H100
|
||||
TOKENS_PER_SEC = 1000
|
||||
ENERGY_PER_TOKEN_J = GPU_TDP_W / TOKENS_PER_SEC # 0.7 J
|
||||
|
||||
# 매 brain comparison
|
||||
BRAIN_W = 20
|
||||
BRAIN_TOKEN_EQUIV_PER_SEC = 5 # 매 reading speed
|
||||
ENERGY_PER_BRAIN_TOKEN_J = BRAIN_W / BRAIN_TOKEN_EQUIV_PER_SEC # 4 J
|
||||
|
||||
# 매 ratio
|
||||
print(f'GPU 의 brain 의 {ENERGY_PER_BRAIN_TOKEN_J / ENERGY_PER_TOKEN_J:.1f}× efficient per joule')
|
||||
# 매 surprising X — 매 GPU 가 매 numerical 의 fast 가, 매 brain 의 task 의 different.
|
||||
```
|
||||
|
||||
### Mitochondria simulation (toy)
|
||||
```python
|
||||
def atp_yield(glucose, oxygen_present=True):
|
||||
"""매 simplified glycolysis + TCA + ETC."""
|
||||
if oxygen_present:
|
||||
glycolysis = 2 # 매 net ATP
|
||||
tca = 2 * 1 # 매 GTP
|
||||
etc = 2 * 17 # 매 NADH/FADH2 → ATP
|
||||
return glycolysis + tca + etc # 매 ~36
|
||||
return 2 # 매 fermentation 만
|
||||
```
|
||||
|
||||
## 🤔 결정 기준 (응용 측)
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Edge inference | Quantization + SNN |
|
||||
| Large model | MoE + sparse |
|
||||
| Battery-powered | Neuromorphic chip |
|
||||
| Datacenter | Standard GPU + efficient algorithm |
|
||||
| Drug discovery | Metabolic pathway model |
|
||||
|
||||
**기본값**: 매 sparsity + 매 quantization + 매 hardware 의 right tool.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Thermodynamics]]
|
||||
- 변형: [[ATP]] · [[Mitochondria]] · [[Metabolism]]
|
||||
- 응용: [[Neuromorphic-Computing]] · [[Mixture-of-Experts]] · [[LLM_Optimization_and_Deployment_Strategies|Quantization]]
|
||||
- Adjacent: [[Carbon-Footprint]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 energy-efficient AI design. 매 neuromorphic chip exploration. 매 metabolic disease research. 매 carbon-aware ML.
|
||||
**언제 X**: 매 specific medical claim (의사 consult). 매 nutrition advice.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Bigger model only**: 매 energy 의 ignore.
|
||||
- **Dense everything** (no sparsity): 매 brain 의 inspiration X.
|
||||
- **Standard FP32**: 매 quantization 의 leverage X.
|
||||
- **GPU 의 brain 의 mimic 의 expectation**: 매 different paradigm.
|
||||
- **No carbon tracking**: 매 sustainability ignore.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Lehninger biochemistry, Mitchell chemiosmotic, Loihi / TrueNorth papers).
|
||||
- 신뢰도 B.
|
||||
- Related: [[Neuromorphic-Computing]] · [[Mixture-of-Experts]] · [[LLM_Optimization_and_Deployment_Strategies|Quantization]] · [[Anarcho-Primitivism]] (energy 의 lens).
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — pathway + mitochondria + neuromorphic + 매 SNN / MoE / quantization code |
|
||||
Reference in New Issue
Block a user