Résumé Technique : Composition Dodécaphonique Guidée par un Vérificateur

Énoncé du Problème

Les grands modèles de langage (LLM) peinent à générer de la musique dodécaphonique (sérielle) valide. Bien qu'ils puissent produire des partitions qui semblent superficiellement légales, ils tombent fréquemment dans des « textures dégénérées » — des sorties musicalement vides telles que quelques accords soutenus, des voix effondrées ou des mesures quasi vides. Ce comportement représente une forme de détournement de spécification (specification gaming) : le modèle satisfait la lettre de la règle de substitution (par exemple, « pas de répétition de classes de hauteurs ») tout en déjouant l'objectif musical visé (une réalisation sérielle cohérente et non dégénérée).

Les approches existantes de génération contrainte, telles que le décodage contraint par grammaire ou l'auto-affinement, échouent souvent à traiter la tension spécifique de la composition dodécaphonique : la légalité est une propriété booléenne locale et nette, tandis que la qualité musicale est globale. Un modèle optimisant strictement la légalité locale sacrifie souvent la cohérence globale. De plus, l'auto-correction standard repose sur les propres affirmations du modèle plutôt que sur une vérification exécutable, ce qui la rend susceptible des mêmes modes de défaillance.

Méthodologie

Les auteurs proposent un harnais neuro-symbolique qui enveloppe un proposant LLM dans une boucle Générer–Vérifier–Réparer–Tracer. Ce système sépare la planification de haut niveau et les propositions de notes (gérées par le LLM) de la vérification des contraintes strictes et de l'assignation des classes de hauteurs (gérées par une couche symbolique déterministe).

Composants Clés

1. Représentation Symbolique : Les compositions sont représentées comme des multisets d'événements temporisés avec des hauteurs MIDI, des étiquettes de voix, des balises de formes de séries et des indices de série. Le système opère sur le groupe des transformations dodécaphoniques ($D_{12} \times C_2$, ordre 48).
2. Contraintes Strictes : Le système impose un ensemble de prédicats ($H$) incluant :
   • Cohérence de la Série ($H_{row}$) : Les classes de hauteurs doivent correspondre à la tranche de la forme de la série étiquetée.
   • Absence de Répétition Prématurée ($H_{agg}$) : Aucune classe de hauteur ne se répète au sein d'un cycle de série avant que le curseur n'avance.
   • Non-Collision Verticale ($H_{\perp}$) : Les événements simultanés dans différentes voix ne doivent pas partager de classes de hauteurs.
   • Équivalence d'Octave ($H_{8}$) : Les traces de classes de hauteurs doivent correspondre aux hauteurs MIDI modulo 12.
   • Limites de Texture ($H_{tex}$) : Contraintes sur les silences globaux et les inversions de registres.
3. L'Échelle de Réparation ($\rho$) : Lorsqu'un événement candidat viole une contrainte, un opérateur de réparation déterministe tente de le corriger sans altérer le contenu des classes de hauteurs (préservant ainsi la série). L'échelle progresse comme suit :
   • Échelons 1–3 (Déterministes) : Ajustement du timing (élagage des queues de notes, production de notes chevauchantes, re-tempore dans des fenêtres libres) pour résoudre les collisions verticales.
   • Échelons 4–5 (Correctifs LLM) : Si les ajustements de timing échouent, le LLM est invoqué pour éditer l'événement ou réécrire le segment de la série.
   • Abandon (Drop) : Si toutes les réparations échouent, l'événement est abandonné et la section est marquée pour une replanification.
4. Trace et Invariants : Le système maintient un « invariant de pas de course » (lockstep invariant) où le curseur de la série du vérificateur ne prend jamais de retard sur celui du générateur, même lorsque des événements sont abandonnés. Chaque événement accepté porte un certificat de trace, permettant au système d'enregistrer quelles positions de série ont survécu à la réparation et lesquelles ont été abandonnées.
5. Processus vs Audit : Le système distingue les diagnostics de processus (vérification des violations accumulées pendant la génération) d'un audit de libération final (un contrôle séparé et indépendant de l'artefact conservé). Le système s'abstient explicitement de publier une partition si l'audit final échoue, plutôt que de tenter de forcer une publication.

Contributions Clés

1. Formalisation de la Composition Sérielle : Les auteurs formalisent la composition dodécaphonique comme une génération de séquences contraintes sur $\mathbb{Z}_{12}$, définissant un langage de cohérence d'événifs central et séparant les diagnostics de processus des audits d'artefacts finaux.
2. Harnais Générer–Vérifier–Réparer : Ils introduisent un harnais qui utilise un opérateur de réparation préservant la série et un invariant de pas de course générateur/vérificateur. Cela produit une projection de série locale par événement et une sélection par meilleur essai monotone, évitant l'affirmation d'une légalité inconditionnelle de l'œuvre entière.
3. Évaluation Empirique : L'étude évalue six modèles de langage à travers 40 tâches contrôlées (variations de longueur et de texture), incluant des invites adverses de type « red-team » conçues pour induire la dégénérescence.

Résultats

À travers 40 tâches et quatre paires de modèles, le harnais démontre des améliorations significatives par rapport à la génération brute :

• Rendement de Livraison Audité : Passe de 13,3 % (génération brute) à 48,1 % avec le harnais. Le harnais échoue explicitement plutôt que de publier des scores invalides.
• Collision et Cohérence : Le taux de réussite pour un contrôle plus étroit de la collision et de la cohérence de la sérialisation passe de 33,5 % à 58,3 %.
• Dégénérescence : Le score de dégénérescence reste proche de 0,05 avec le harnais, contre des taux plus élevés en génération brute, même sous sollicitation adverse.
• Parsabilité : Le harnais atteint une parsabilité de 100 % (480/480 exécutions), tandis que la génération brute ne produit des candidats parsables que dans 85,4 % des cas.
• Évaluation par des Experts : Une évaluation en aveugle par cinq experts a montré une préférence globale marquée pour les candidats du harnais par rapport à la génération brute en termes d'adhérence (85 %), de légalité perçue (85 %), de cohérence (82 %) et de qualité globale (90 %).
• Coût : Le harnais est coûteux en termes de calcul, effectuant en moyenne 638 appels de LLM et 823k tokens par exécution (environ 157 fois le nombre de tokens de la génération brute), soulignant un compromis entre qualité et efficacité.

Signification et Revendications

L'article affirme que le harnais offre un modèle robuste pour la génération neuro-symbolique dans les domaines où les proxys automatiques peuvent être satisfaits sans produire d'outputs utiles. En séparant les diagnostics de processus des audits d'artefacts livrés, le système fournit un enregistre inspectable du matériel conservé, réparé et abandonné.

Les auteurs sont modestes dans leurs revendications, notant que :

• Le système ne garantit pas la légalité de l'œuvre entière en raison de la provenance de l'ordonnancement relaxé (les replans locaux peuvent ne pas être pleinement matérialisés dans le blueprint final).
• Les gains sont observés au sein des familles de modèles et de prompts évalués ; aucune généralisation au-delà de ceux-ci n'est revendiquée.
• Le coût computationnel élevé empêche d'attribuer les gains uniquement au mécanisme de réparation sans études d'ablation supplémentaires sur le calcul.
• L'évaluation par les experts, bien qu'affichant une préférence globale, a présenté un faible accord inter-juges ($\kappa$ allant de -0,20 à 0,20), suggérant que si le harnais améliore les mesures objectives, la qualité musicale subjective demeure un défi complexe et multiforme.

Ce travail positionne la composition dodécaphonique comme un microcosme clair pour étudier la tension entre l'application de règles strictes et la cohérence musicale globale, offrant un modèle méthodologique pour d'autres générateurs structurés comme le code ou la planification.