[G1-Sync] Manual knowledge update

10_Wiki/Topics/Memory-Hierarchy.md

@@ -1,8 +1,8 @@
 ---
-id: P-REINFORCE-AUTO-MEHI-001
+id: [[P-Reinforce]]-AUTO-MEHI-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.95
-tags: [auto-reinforced, memory-hierarchy, computer-architecture, performance, caching, hardware]
+tags: [auto-reinforced, [[memory]]-hierarchy, computer-[[Architecture]], performance, caching, [[Hardware]]]
 last_reinforced: 2026-04-20
 ---
 
@@ -18,16 +18,16 @@ last_reinforced: 2026-04-20
     *   **Registers**: CPU 내부. 가장 빠름.
     *   **Cache (L1/L2/L3)**: CPU 근처. 자주 쓰는 데이터 보관.
     *   **Main Memory (RAM)**: 현재 실행 중인 프로그램 데이터.
-    *   **Secondary Storage (SSD/HDD)**: 영구 보관. 가장 느림.
+    *   **Secondary [[Storage]] (SSD/HDD)**: 영구 보관. 가장 느림.
 2.  **핵심 원리 (Locality)**:
     *   **Temporal Locality**: 방금 쓴 데이터는 곧 다시 쓸 확률이 높다.
     *   **Spatial Locality**: 지금 쓴 데이터 근처의 데이터도 곧 쓸 확률이 높다.
 3.  **왜 중요한가?**:
-    *   저장 장치 간 속도 차이가 수만 배에 달하기 때문에, 이 계층 구조가 망가지면 CPU는 데이터를 기다리느라 놀게 됨(Bottleneck). (Efficiency와 연결)
+    *   저장 장치 간 속도 차이가 수만 배에 달하기 때문에, 이 계층 구조가 망가지면 CPU는 데이터를 기다리느라 놀게 됨(Bottleneck). ([[Efficiency]]와 연결)
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
 - **과거 데이터와의 충돌**: 과거에는 RAM 용량 증진 정책이 최우선이었으나, 현대 정책은 CPU와 RAM 사이의 거대한 속도 격차 정책(Memory Wall)을 캐시 최적화와 HBM(고대역폭 메모리) 정책으로 극복하는 데 집중함(RL Update).
-- **정책 변화(RL Update)**: 거대 AI 모델 학습 정책에서는 수조 개의 파라미터를 GPU 메모리(HBM)와 VRAM, 일반 RAM 사이에서 얼마나 효율적으로 주고받느냐(Communication overhead 감소)가 성능 정책의 핵심이 됨. (High-Performance Computing (HPC)와 연결)
+- **정책 변화(RL Update)**: 거대 AI 모델 학습 정책에서는 수조 개의 파라미터를 GPU 메모리(HBM)와 VRAM, 일반 RAM 사이에서 얼마나 효율적으로 주고받느냐(Communication overhead 감소)가 성능 정책의 핵심이 됨. ([[High-Performance Computing (HPC)]]와 연결)
 
 ## 🔗 지식 연결 (Graph)
 - [[Hardware]], [[Efficiency]], [[High-Performance Computing (HPC)]], [[Scalability]], [[Long-Tail]]