Genre Classification of Saint Yared Qum Zema Using a Convolutional Neural Network

لطالما كانت الموسيقى أكثر من مجرد صوت؛ فلقد كانت لقرون عديدة بمثابة وعاء للتاريخ والإيمان والهوية. وفي مجال العلم الحديث، طور الباحثون طرقًا لتعليم الحواسيب كيف تستمع، وهو مجال يُعرف باسم "استرجاع المعلومات الموسيقية". يطلب هذا التخصص من الآلات القيام بما تفعله الآذان البشرية بشكل طبيعي: التعرف على الأنماط، وتحديد الآلات الموسيقية، وتصنيف الأغاني إلى فئات مثل الجاز أو الروك أو الموسيقى الكلاسيكية. وبينما أصبحت الحواسيب بارعة للغاية في تحليل المكتبات الواسعة للموسيقى الغربية، إلا أنها غالبًا ما تواجه صعوبة مع الأشكال التقليدية الفريدة التي تعتمد على الصوت البشري وحده. هذه التقاليد القديمة، التي تناقلتها الأجيال دون نوتات مكتوبة أو آلات موسيقية، تمثل تحديًا خاصًا؛ فأصواتها دقيقة، وتنوعاتها طفيفة، والحفاظ عليها أمر ملح، نظرًا لأن عدد الأشخاص القادرين على تعليمها في تضاؤل.

في إثيوبيا، تحرس الكنيسة الأرثوذكسية الإثيوبية التوحيدية تقليدًا موسيقيًا مقدسًا يُعرف باسم "زيما" (Zema). وهذا شكل من أشكال الترتيل الروحي الذي وضعه القديس يارد في القرن السادس، وهو عالم يُبجل باعتباره الأستاذ الرئيسي للموسيقى في عصره. وقد نظم القديس يارد هذه التراتيل في ثلاثة أساليب متميزة: "جيز" (Geez)، و"إيزيل" (Ezil)، و"أراري" (Araray). وعندما تُؤدى هذه التراتيل بدون أي آلات موسيقية، باستخدام الصوت البشري فقط، تُسمى "قوم زيما" (Qum Zema). ولعدة قرون، عاشت معرفة كيفية التمييز بين هذه الأسالط الثلاثة في عقول عدد قليل من العلماء المتخصصين داخل مدارس الكنيسة. ومع انخفاض عدد هؤلاء الخبراء وصعوبة تمييز الجمهور العام بين هذه الأساليب، هناك خطر من أن هذا الفن الدقيق قد يُفقد أو يُفهم بشكل خاطئ. وكان السؤال الذي واجه الباحثين هو ما إذا كان بإمكان التكنولوجيا الحديثة أن تتعلم سماع هذه الاختلافات بوضوح كما يفعل الخبير المتمرس.

وضع فريق من الباحثين من جامعة دبري ماركوس هدفًا للإجابة على هذا السؤال من خلال بناء نموذج حاسوبي مصمم خصيصًا للتعرف على الأنواع الثلاثة لـ "قوم زيما" الخاصة بالقديس يارد. لم يحاولوا تعليم الكمبيوتر عن طريق سرد القواعد الموسيقية يدويًا، مثل النغمات المحددة أو الإيقاعات، بل استخدموا نوعًا من الذكاء الاصطناعي يسمى "الشبكة العصبية التلافيفية"، وهي نظام مصمم للتعلم من خلال النظر إلى الصور. ولإنجاح ذلك، كان على الباحثين أولاً ترجمة صوت التراتيل إلى شيء يمكن للكمبيوتر رؤيته؛ حيث قاموا بتحويل تسجيلات الأداء الصوتي إلى مقاطع قصة مدة كل منها عشر ثوانٍ. ثم تم تحويل كل مقطع من هذه المقاطع إلى "مخطط طيفي" (spectrogram)، وهو خريطة مرئية توضح كيف يتغير حدة الصوت وحجمه بمرور الوقت. في هذه الخريطة، يمثل المحور الأفقي الزمن، ويمثل المحور الرأسي حدة الصوت (الطبقة)، بينما تُظهر سطوع الألوان مدى علو الصوت في أي لحظة معينة.

جمع الباحثون ما مجموعه 1,555 مقطعًا صوتيًا، طول كل منها عشر ثوانٍ، من علماء في مدارس الكنيسة التقليدية. وقد ضمنوا نظافة التسجيلات عن طريق إزالة الضوضاء الخلفية، ثم حولوا كل مقطع إلى صورة مخطط طيفي. أصبحت هذه المجموعة من الصور هي بيانات التدريب لنموذجهم الجديد، الذي أطلقوا عليه اسم "مصنف القديس يارد لـ قوم زيما" (Saint Yared's Qum Zema Classifier). تم تغذية النظام بهذه الصور وطلب منه تعلم الأنماط المرئية التي تتوافق مع أساليب "جيز" و"إيزيل" و"أراري". ولاختبار ما إذا كان النظام يتعلم حقًا، قام الباحثون بتقسيم بياناتهم، حيث استخدموا 70 بالمائة من الصور لتعليم النموذج، واحتفظوا بالنسبة المتبقية وهي 30 بالمائة لمعرفة مدى أدائه على موسيقى لم يسبق له رؤيتها من قبل.

أظهرت النتائج أن الكمبيوتر استطاع بالفعل تعلم التمييز بين هذه الأساليب الصوتية القديمة. فعندما تم اختبار النموذج على المقاطع الصوتية غير المرئية من قبل، نجح في تحديد النوع الصحيح بنسبة 88 بالمائة. ويعد هذا إنجازًا كبيرًا، خاصة بالنظر إلى أن الأساليب الثلاثة متشابهة جدًا فيما بينها وتُغنى دون مساعدة من آلات موسيقية لتوجيه المستمع. وقارن الباحثون نموذجهم المخصص مع عدة أنظمة حاسوبية مشهورة أخرى مصممة للتعرف على الصور، مثل ResNet وVGGNet وAlexNet. ورغم أن تلك الأنظمة الأخرى كانت أكبر وتتطلب قدرة حوسبة أعلى، إلا أنها لم تؤدِ بشكل جيد في هذه المهمة المحددة. فقد حقق النموذج المخصص معدل دقة أعلى من غيره، رغم أنه أصغر بكثير وأسرع في التشغيل.

كما استكشفت الدراسة كيف أثرت الإعدادات المختلفة داخل نموذج الكمبيوتر على قدرته على التعلم. ووجدوا أن طريقة محددة لمعالجة المعلومات، تُعرف باسم دالة التنشيط "ReLU"، ساعدت النموذج على تعلم الأنماط بشكل أكثر فعالية من الطرق الأخرى. بُنيت العملية بأكملها على فكرة أنه من خلال تحويل الصوت إلى صور، يمكن للكمبيوتر أن يجد "البصمة" الفريدة لكل أسلوب موسيقي دون الحاجة إلى إنسان يشرح القواعد. وأشار الباحثون إلى أن أداء النموذج كان محدودًا بسبب حقيقة أن مجموعة البيانات احتوت فقط على أصوات صوتية ذات تشابه عالٍ، مما جعل المهمة صعبة بطبيعتها، لكن نسبة النجاح البالغة 88 بالمائة أثبتت أن التعلم العميق يمكن أن يكون أداة قوية للحفاظ على الكنوز الثقافية غير المادية.

يقدم هذا العمل مسارًا عمليًا للمضي قدمًا في حماية التراث الموسيقي للقديس يارد. فمن خلال إنشاء أداة يمكنها تصنيف هذه التراتيل تلقائيًا، وفر الباحثون وسيلة لدعم تعليم علماء جدد وضمان عدم ضياع الفوارق بين "جيز" و"إيزيل" و"أراري" مع مرور الزمن. وتشير الدراسة إلى أنه بينما تكون المهمة معقدة، فإن الجمع بين المعرفة التقلية وتعلم الآلة الحديث يمكن أن يسد الفجوة بين الماضي والمستقبل. ويخطط الباحثون لمواصلة هذا العمل من خلال جمع المزيد من البيانات واستكشاف طرق لجعل النظام أكثر دقة، لكن النجاح الأولي يثبت أن الكمبيوتر يمكن تعليمه الاستماع إلى الأغاني المقدسة لإثيوبيا بنوع جديد من الفهم.