ملخص تقني: Music102 – محول (Transformer) متسق مع مجموعة $D_{12}$ لمرافقة التتابعات التوافقية

بيان المشكلة

تتناول الورقة البحثية تحدي توليد التتابعات التوافقية (Chord Progressions) لمرافقة لحن مسار واحد (single-track melody) في موسيقى البوب. وبينما تقدم الذكاء الاصطناعي التوليدي تقدماً كبيراً في المجالات البصرية، لا يزال الإنتاج الموسيقي يمثل حدوداً جديدة للذكاء الآلي. حاولت المحاولات السابقة، مثل النموذج الأولي Music101، استخدام بنى "المحول" (Transformer) القياسية للتنبؤ بالتتابعات التوافقية من الألحان. ومع ذلك، فشلت هذه النماذج في الاستفلاً الكامل من التناظرات الرياضية المتأصلة في الموسيقى، مما أدى إلى أداء غير كافٍ للتطبيق في العالم الحقيقي. حدد المؤلفون أن بنى التعلم العميق القياسية تفتقر إلى التحيزات الاستقرائية (Inductive Biases) فيما يتعلق بالتناظر الموسيقي، وتحديداً النقل (Transposition - إزاحة طبقة الصوت) والانعكاس (Reflection - تغيير الوضع بين الكبير والصغير/Major and Minor)، وهما أمران أساسيان في نظرية الموسيقى ونظرية المجموعات.

المنهجية

المساهمة الجوهرية هي Music102، وهو نموذج يعتمد على بنية المحول (Transformer) مصمم ليكون متسقاً مع مجموعة $D_{12}$ ($D_{12}$-equivariant). وهذا يعني أن مخرجات النموذج تتحول بشكل يمكن التنبؤ به عندما يخضع اللحن المدخل للنقل أو الانعكاس، ملتزماً بالخصائص الرياضية لمجموعة دييدرال (Dihedral group) $D_{12}$.

1. الأساس الرياضي

بُني النموذج على نظرية الضبط المتساوي (Equal Temperament)، حيث تُقسم الأوكتاف إلى 12 فئة طبقة صوتية.

• النقل ($T_i$): عملية دوران على دائرة فئات الطبقات الصوتية (متشاكلة مع المجموعة الدورية $C_{12}$).
• الانعكاس ($R$): عملية مرآة تبدل بين الأوضاع الكبيرة (Major) والصغيرة (Minor).
• إجراء المجموعة (Group Action): يشكل الجمع بين النقل والانعكاس مجموعة دييدرال $D_{12}$. ويضمن النموذج أنه إذا تم تحويل اللحن المدخل بواسطة عنصر من المجموعة $g$، فإن التتابع التوافقي المتوقع سيتحول بنفس العنصر $g$.

2. البنية وطبقات الاتساق (Equivariant Layers)

يقوم Music102 بتعديل بنية المحول القياسية (المستخدمة في Music101) لتحقيق شرط الاتساق $A D_{perm} = D_{perm} A$، حيث $D_{perm}$ هي تمثيل التبديل لمجموعة $D_{12}$ على فضاء الطبقات الصوتية ذي الـ 12 بُعداً. وتشمل التعديلات الهيكلية الرئيسية ما يلي:

• التضمين والمعالجة المسبقة: يتم تحويل تسلسلات اللحن والتوافق إلى متجهات في $\mathbb{R}^{12}$ بناءً على وجود فئة الطبقة الصوتية. تقوم طبقة المعالجة المسبقة بخرائط هذه المتجهات إلى تمثيلات غير قابلة للاختزال (Irreducible Representations) لمجموعة $D_{12}$ باستخدام مصفوفات تغيير الأساس المتعامدة والمحسوبة مسبقاً ($U^{(a)}$).
• الطبقات الخطية المتسقة: اتباعاً لتمهيدية شور (Schur's Lemma)، يتم تقييد الطبقات الخطية لتعمل فقط ضمن قنوات التمثيل غير القابل للاختزال نفسها، حيث تقوم بخلط التعددات بدلاً من خلط قنوات تناظر مختلفة.
• اللاخطية المتسقة: الدوال غير الخطية القياسية (مثل ReLU) لا تتبادل مع التبديلات في الأساس غير القابل للاختزال. لذا، يطبق النموذج لاخطية محددة: $\sigma(h^{(a)}) \to U^{(a)}\sigma((U^{(a)})^\top h^{(a)})$، مما يضمن بقاء العملية متسقة.
• الترميز الموضعي المتسق: تم تكييف ترميزات الموضع الجيبية القياسية عبر إسقاطها من خلال مصفوفات تغيير الأساس، مما يضمن تحول الترميز بشكل صحيح تحت إجراءات المجموعة.
• الانتباه الذاتي المتسق: تم تصميم آلية الانتباه بحيث تظل أوزان الانتباه ثابتة تحت تحويلات المجموعة، بينما تتحول متجهات القيم بشكل متسق.
• تسوية الطبقة المتسقة (Layer Normalization): تتم عملية التسوية في أساس التبديل (عبر التحويل العكسي) لضمان اتساق حسابات المتوسط والتباين مع إجراء المجموعة.

3. التدريب والخسارة

يتم تدريب النموذج على مجموعة بيانات POP909 (909 أغنية بوب صينية). دالة الخسارة هي الإنتروبيا المتقاطعة الثنائية الموزونة (Weighted Binary Cross-Entropy)، مع تخصيص أوزان أعلى للخطوات الزمنية التي يحدث فيها تغيير في التوافق، مما يركز على التنبؤ بانتقالات التوافق.

النتائج الرئيسية

أُجريت التجارب لمقارنة Music102 مع النموذج الأولي غير المتسق Music101. على الرغم من أن Music102 يمتلك عدداً أقل بكثير من المعلمات (~760 ألف مقابل ~6.85 مليون)، إلا أنه تفوق على النموذج المرجعي في جميع المقاييس:

• خسارة Weighted BCE: انخفضت من 0.5807 (Music101) إلى 0.5652 (Music102).
• تشابه جيب التمام (Cosine Similarity): تحسن من 0.6638 إلى 0.6727.
• الدقة التامة (Exact Accuracy): تحسنت بشكل ملحوظ من 0.1141 إلى 0.1783.

لاحظ المؤلفون أن النموذج المرجعي غير المتسق عانى من عدم الاستقرار العددي عند محاولة استخدام اللاخطيات ذات البوابة المعيارية (Norm-gated non-linearities) (الشائعة في نماذج متسقة أخرى مثل Equiformer) بسبب ندرة بيانات المدخلات. وقد وفر النهج القائم على التبديل المقترح في Music102 بديلاً مستقراً.

الأهمية والادعاءات

تدعي الورقة أنها تقدم أول نموذج تسلسل-إلى-تسلسل (seq2seq) يعتمد على المحول يدمج صراحةً تناظر الكلمات (تبديلات فئات الطبقات الصوتية) في كل من تضمينات المدخلات والمخرجات لتوليد الموسيقى.

• التكامل النظري: نجح النموذج في الربط بين نظرية المجموعات (تحديداً $D_{12}$) وبنى التعلم العميق، موضحاً أن مكونات المحول القياسية (الانتباه الذاتي، تسوية الطبقة، الترميز الموضعي) يمكن تكييفها مع المجال الموسيقي المنفصل.
• الكفاءة: تشير النتائج إلى أن ترميز المعرفة الموسيقية المسبقة عبر الاتساق يؤدي إلى كفاءة أفضل في البيانات والحوسبة، محققاً دقة أعلى بعدد أقل من المعلمات.
• الإمكانات المستقبلية: يرى المؤلفون أن Music102 يضع إطاراً مرناً ومستقراً لتوليد الموسيقى المتسق المستقبلي وأدوات التأليف الحاسوبي، متجاوزاً مجرد مطابقة الأنماط البسيطة إلى نماذج تحترم البنية الرياضية للموسيقى.

لا تدعي هذه الدراسة حل "الهدف الأسمى" المتمثل في توليد سيمفونيات كلاسيكية كاملة، بل تثبت أنه بالنسبة لمهام محددة مثل مرافقة التوافقات، فإن الاستفادة من التناظر الموسيقي هي خطوة حاسمة نحو تطبيقات الموسيقى بالذكاء الاصطناعي العملية.