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.

10_Wiki/Topic_Programming/AI_and_ML/Hopfield Network.md

@@ -0,0 +1,131 @@
+---
+id: wiki-2026-0508-hopfield-network
+title: Hopfield Network
+category: 10_Wiki/Topics
+status: verified
+canonical_id: self
+aliases: [Hopfield, associative memory, content-addressable, modern Hopfield, Ramsauer]
+duplicate_of: none
+source_trust_level: A
+confidence_score: 0.92
+verification_status: applied
+tags: [neural-network, hopfield, associative-memory, energy-based, modern-hopfield]
+raw_sources: []
+last_reinforced: 2026-05-10
+github_commit: pending
+tech_stack:
+  language: Python
+  framework: PyTorch / NumPy
+---
+
+# Hopfield Network
+
+## 매 한 줄
+> **"매 recurrent NN 의 의 의 의 associative memory"**. Hopfield 1982. 매 energy 의 의 의 settle. 매 modern Hopfield (Ramsauer 2020) — 매 transformer attention 와 equivalent. 매 응용: 매 pattern restoration, 매 optimization, 매 memory.
+
+## 매 핵심
+
+### 매 classical
+- **Binary states** ±1.
+- **Symmetric weights** Wij = Wji.
+- **Energy**: E = -½ Σ Wij sᵢ sⱼ.
+- **Asynchronous update**: 매 si ← sign(Σ Wij sj).
+- **Capacity**: 매 ~0.14N patterns.
+
+### 매 modern (Ramsauer 2020)
+- **Continuous states**.
+- **Exponential storage** (exp).
+- **Single-step retrieval**.
+- **= attention** (key-value).
+
+### 매 응용
+1. **Pattern completion** (denoise).
+2. **Combinatorial opt** (TSP).
+3. **Modern: attention/memory** in transformers.
+4. **Boltzmann-style RBM**.
+
+## 💻 패턴
+
+### Classical Hopfield (NumPy)
+```python
+import numpy as np
+
+class Hopfield:
+    def __init__(self, n):
+        self.W = np.zeros((n, n))
+    
+    def store(self, patterns):
+        for p in patterns:
+            self.W += np.outer(p, p)
+        np.fill_diagonal(self.W, 0)
+    
+    def retrieve(self, x, max_iter=100):
+        for _ in range(max_iter):
+            i = np.random.randint(len(x))
+            x[i] = np.sign(self.W[i] @ x) or 1
+        return x
+```
+
+### Modern Hopfield (Ramsauer)
+```python
+import torch
+import torch.nn.functional as F
+
+def modern_hopfield(query, keys, values, beta=1.0):
+    """매 = attention with sqrt scaling absorbed."""
+    attn = F.softmax(beta * query @ keys.T, dim=-1)
+    return attn @ values
+```
+
+### Energy
+```python
+def energy(state, W):
+    return -0.5 * state @ W @ state
+```
+
+### Pattern denoise demo
+```python
+patterns = [np.random.choice([-1, 1], 100) for _ in range(5)]
+h = Hopfield(100)
+h.store(patterns)
+
+noisy = patterns[0].copy()
+flip_idx = np.random.choice(100, 20, replace=False)
+noisy[flip_idx] *= -1
+
+restored = h.retrieve(noisy)
+print(np.array_equal(restored, patterns[0]))
+```
+
+## 매 결정 기준
+| 상황 | Approach |
+|---|---|
+| Associative memory | Modern Hopfield |
+| Pattern denoise | Classical or modern |
+| Transformer | = attention |
+| TSP / opt | Hopfield/Boltzmann |
+
+**기본값**: 매 modern Hopfield = attention 와 동일 → modern transformer 의 default.
+
+## 🔗 Graph
+- 변형: [[Modern-Hopfield]]
+- 응용: [[Attention Mechanism]] · [[Associative-Memory]]
+- Adjacent: [[Transformer]]
+
+## 🤖 LLM 활용
+**언제**: 매 memory + attention concept.
+**언제 X**: 매 pure feedforward task.
+
+## ❌ 안티패턴
+- **Classical at large scale**: 매 capacity 부족.
+- **Asymmetric W**: 매 convergence X.
+
+## 🧪 검증 / 중복
+- Verified (Hopfield 1982, Ramsauer 2020).
+- 신뢰도 A.
+
+## 🕓 Changelog
+| 날짜 | 변경 |
+|---|---|
+| 2026-05-08 | Phase 1 |
+| 2026-05-10 | Manual cleanup — Hopfield + modern + energy code |