StemGround: Source-Interventional Auditing and Selective Response Alignment for Instrument Grounding in Music Foundation Model Readouts

संगीत की दुनिया में, एक रिकॉर्डिंग शायद ही कभी केवल एक एकल ध्वनि होती है; यह कई अलग-अलग धागों से बुना गया एक जटिल टेपेस्ट्री (tapestry) है। एक बास लाइन, एक ड्रम बीट और एक गायक की आवाज़ अक्सर एक साथ चलती हैं, जो समय और आवृत्ति (frequency) में एक-दूसरे के ऊपर आती हैं। दशकों से, कंप्यूटर इन टेपों को सुनने और उनमें मौजूद वाद्य यंत्रों की पहचान करने में उल्लेखनीय रूप से सक्षम हो गए हैं। यदि आप कोई गाना बजाते हैं, तो एक आधुनिक आर्टिफिशियल इंटेलिजेंस आपको उच्च विश्वास के साथ बता सकता है कि गिटार बज रहा है। पहचान (recognition) के रूप में जानी जाने वाली यह क्षमता संगीत पुस्तकालयों को व्यवस्थित करने और लोगों को उनके पसंदीदा गाने खोजने में मदद करने के लिए एक मानक उपकरण बन गई है। हालाँकि, एक महत्वपूर्ण प्रश्न अनुत्तरित रह गया है: क्या कंप्यूटर उस वाद्य यंत्र को इसलिए जानता है क्योंकि वह वास्तव में उस विशिष्ट ध्वनि को सुन रहा है, या वह केवल उस साथ जो वाद्य यंत्र रखता है, उसके आधार पर अनुमान लगा रहा है? यदि एक बास गिटार हमेशा एक ड्रम किट के साथ रिकॉर्ड किया जाता है, तो कंप्यूटर ड्रम्स सुनते ही "बास" कहने के लिए सीख सकता है, भले ही बास स्वयं शांत हो। एक पैटर्न को पहचानने और ध्वनि के वास्तविक स्रोत को वास्तव में समझने के बीच का अंतर एक चतुर अनुमान और वास्तविक समझ का अंतर है।

शोधकर्ताओं की एक टीम ने इस समझ का परीक्षण करने का एक नया तरीका विकसित किया है, जो केवल सटीकता स्कोर से आगे बढ़कर यह देखता है कि ये कंप्यूटर मॉडल कैसे प्रतिक्रिया करते हैं जब एक गाने के भौतिक घटकों को बदला जाता है। उन्होंने 'स्टेमग्राउंड' (StemGround) नामक एक विधि पेश की, जो एक संगीत रिकॉर्डिंग को एक भौतिक वस्तु की तरह मानती है जिसे अलग किया जा सकता है और फिर से जोड़ा जा सकता है। केवल अंतिम मिश्रण (mix) को सुनने के बजाय, शोधकर्ताओं ने उन रिकॉर्डिंगों का उपयोग किया जहाँ प्रत्येक वाद्य यंत्र को अपने अलग ट्रैक पर कैप्चर किया गया था। वे डिजिटल रूप से बास को हटा सकते थे, ड्रम्स की आवाज़ बढ़ा सकते थे, या एक वाद्य यंत्र को दूसरे से बदल सकते थे, जबकि बाकी गाना बिल्कुल वैसा ही रहता था। यह देखते हुए कि कंप्यूटर का उत्तर कैसे बदला—या नहीं बदला—जब उन्होंने स्रोत को परिवर्तित किया, वे यह माप सकते थे कि मॉडल वास्तव में वाद्य यंत्र को सुन रहा था या केवल पृष्ठभूमि के शोर (background noise) पर प्रतिक्रिया दे रहा था।

शोधकर्ताओं ने पाया कि यहाँ तक कि सबसे उन्नत संगीत मॉडल भी, जो सामान्य गाने में वाद्य यंत्रों के नाम बताने में उत्कृष्ट हैं, अक्सर इस भौतिक परीक्षण में विफल हो जाते हैं। जब उन्होंने एक रिकॉर्डिंग में बास को म्यूट किया, तो कंप्यूटर अक्सर यह दावा करना जारी रखता था कि बास अभी भी बज रहा है। ऐसा लग रहा था जैसे मॉडल ने बास द्वारा रखे गए साथ (company) को याद कर लिया था, न कि बास की अपनी ध्वनि को। यह तब भी हुआ जब कंप्यूटर को बताया गया था कि बास चला गया है; वह उस लेबल को पकड़े रहा क्योंकि साथ में मौजूद ड्रम्स अभी भी वहीं थे। अध्ययन ने दिखाया कि मानक परीक्षणों में उच्च सटीकता यह गारंटी नहीं देती कि एक मॉडल ध्वनि की भौतिक वास्तविकता को समझता है। एक प्रणाली यह सही बता सकती है कि एक गाने में क्या है, बिना यह जाने कि ध्वनि का कौन सा हिस्सा किस वाद्य यंत्र का है।

इसे ठीक करने के लिए, शोधकर्ताओं ने एक नई प्रशिक्षण प्रक्रिया डिजाइन की जो कंप्यूटर को स्रोत पर ध्यान केंद्रित करने के लिए मजबूर करती है। उन्होंने आर्टिफिशियल इंटेलिजेंस के पूरे मस्तिष्क को फिर से बनाने की कोशिश नहीं की; इसके बजाय, उन्होंने मौजूदा सिस्टम के ऊपर एक छोटा, विशेषीकृत लेयर (layer) जोड़ा। इस नए लेयर को उसी "अलग करने वाले" तरीके का उपयोग करके प्रशिक्षित किया गया था जिसका उपयोग परीक्षण के लिए किया गया था। कंप्यूटर को हजारों उदाहरण दिखाए गए जहाँ वाद्य यंत्रों को हटाया गया, जोड़ा गया, या उनकी आवाज़ बदली गई, और यदि इसका उत्तर भौतिक परिवर्तन से मेल नहीं खाता था, तो इसे दंडित किया गया। यदि बास को हटा दिया गया था, तो कंप्यूटर को इस बात पर विश्वास कम करना था कि बास मौजूद है। यदि ड्रम्स की आवाज़ बढ़ाई गई थी, तो कंप्यूटर को ड्रम्स के लिए अपने स्कोर को तदनुसार समायोजित करना था। महत्वपूर्ण रूप से, सिस्टम को उन परिवर्तनों को अनदेखा करने के लिए भी सिखाया गया जो उत्तर को प्रभावित नहीं करने चाहिए। यदि पूरे गाने की आवाज़ बढ़ दी जाती है, तो कंप्यूटर अचानक यह निर्णय नहीं लेता कि एक नया वाद्य यंत्र प्रकट हो गया है।

इस नए प्रशिक्षण के परिणाम स्पष्ट और मापने योग्य थे। जब शोधकर्ताओं ने इन बेहतर मॉडलों का परीक्षण उन नए गानों पर किया जो उन्होंने पहले कभी नहीं सुने थे, तो मॉडल वास्तविक ध्वनि के स्रोत के प्रति प्रतिक्रिया करने में बहुत बेहतर हो गए। जब बास को हटा दिया गया, तो बेहतर मॉडलों ने यह दावा करना बंद कर दिया कि वह वहाँ है। जब किसी विशिष्ट वाद्य यंत्र की आवाज़ बढ़ाई गई, तो मॉडलों ने उनके विश्वास में आनुपातिक वृद्धि के साथ प्रतिक्रिया दी। अध्ययन ने सैकड़ों हजारों विशिष्ट ऑडियो परिवर्तनों में इस सुधार को मापा। इस नई विधि ने 'फॉल्स अलार्म' (गलत सूचना) की संख्या को कम कर दिया, जहाँ कंप्यूटर दावा करता था कि एक वाद्य यंत्र बज रहा है जबकि वह शांत था। इसने यह भी सुनिश्चित किया कि कंप्यूटर के उत्तर एक तार्किक क्रम का पालन करें: जैसे-जैसे एक वाद्य यंत्र तेज़ होता गया, कंप्यूटर का यह विश्वास कि वह मौजूद है, मजबूत होता गया, न कि बेतरतीब ढंग से उछलता रहा।

महत्वपूर्ण रूप से, शोधकर्ताओं ने सत्यापित किया कि यह सुधार उनके मूल संगीत पहचान क्षमता की कीमत पर नहीं आया। मॉडल सामान्य, अपरिवर्तित गानों में वाद्य यंत्रों को पहचानने में पहले जितने अच्छे थे, उतने ही अच्छे बने रहे। उन्होंने अपना सामान्य ज्ञान नहीं खोया; उन्होंने बस कारण और प्रभाव की बेहतर समझ प्राप्त की। अध्ययन ने यह भी जांचा कि मॉडल केवल संगीत की समग्र तीव्रता (loudness) के प्रति प्रतिक्रिया तो नहीं दे रहे हैं। विभिन्न परीक्षण स्थितियों की आवाज़ को सावधानीपूर्वक मिलाकर, उन्होंने साबित किया कि मॉडल विशिष्ट वाद्य यंत्र के प्रति प्रतिक्रिया दे रहे हैं, न कि ट्रैक की सामान्य ऊर्जा के प्रति। यह अंतर महत्वपूर्ण है क्योंकि यह दिखाता है कि मॉडल ध्वनि के विशिष्ट गुणों को सीख रहे हैं, न कि केवल वॉल्यूम स्तर को।

शोध ने यह भी देखा कि ये मॉडल विभिन्न वाद्य यंत्रों के बीच के संबंध को कैसे संभालते हैं। कई गानों में, वाद्य यंत्र एक साथ बजते हैं, और एक कंप्यूटर इस बात को लेकर भ्रमित हो सकता है कि कौन सी ध्वनि किस वाद्य यंत्र की है। नए प्रशिक्षण पद्धति ने मॉडलों को चयनात्मक होना सिखाया। जब बास शांत था लेकिन ड्रम्स बज रहे थे, तो मॉडल ने यह नहीं सीखा कि ड्रम्स तेज़ होने के कारण बास को वहां मौजूद मान ले। सिग्नल को शोर से अलग करने की यह क्षमता, भले ही वह शोर एक संगीतमय साथ (accompaniment) हो, ध्वनि के क्षेत्र में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करती है। मॉडलों ने प्रत्येक वाद्य यंत्र को एक स्वतंत्र स्रोत के रूप में मानना सीखा जिसे चालू या बंद किया जा सकता है, न कि एक एकल, अपरिवर्तनीय पैटर्न के निश्चित हिस्से के रूप में।

अध्ययन ने संगीत डेटा के एक बड़े संग्रह पर इन विचारों का परीक्षण किया, जिसमें पेशेवर कलाकारों की रिकॉर्डिंग और शोधकर्ताओं द्वारा दुनिया भर में उपयोग किए जाने वाले मानक परीक्षण सेट शामिल थे। सुधार विभिन्न प्रकार के संगीत और विभिन्न मॉडल आर्किटेक्चर में कायम रहे। चाहे कंप्यूटर को लीनियर (linear) विधियों पर प्रशिक्षित किया गया हो या अधिक जटिल न्यूरल नेटवर्क पर, नया दृष्टिकोण लगातार मॉडलों को भौतिक वास्तविकता में अधिक सुदृढ़ बनाता था। शोधकर्ताओं ने अपने तरीके की तुलना एक मानक प्रशिक्षण दृष्टिकोण से भी की जिसमें समान डेटा का उपयोग किया गया था लेकिन इसमें परिवर्तनों के बारे में विशिष्ट नियम शामिल नहीं थे। मानक दृष्टिकोण गलत सूचनाओं को ठीक करने में विफल रहा, जिससे सिद्ध हुआ कि केवल कंप्यूटर को डेटा दिखाना पर्याप्त नहीं है; कंप्यूटर को भौतिक कारण और प्रभाव के नियमों को स्पष्ट रूप से सिखाया जाना चाहिए।

सबसे आश्चर्यजनक निष्कर्षों में से एक यह था कि मॉडलों को उनके मूल आर्किटेक्चर को बदले बिना इन भौतिक संबंधों को समझने के योग्य बनाया जा सकता है। शोधकर्ताओं ने केवल सिस्टम के एक छोटे से हिस्से, एक 'रेसिडुअल हेड' (residual head) को समायोजित किया जिसमें कुछ लाख पैरामीटर थे, जबकि विशाल अंतर्निहित मॉडल को स्थिर रखा गया। यह सुझाव देता है कि 'सोर्स ग्राउंडिंग' (स्रोत की समझ) को समझने की क्षमता के लिए किसी पूरी तरह से नए प्रकार के आर्टिफिशियल इंटेलिजेंस की आवश्यकता नहीं है, बल्कि मौजूदा प्रणालियों को सिखाने के अधिक सटीक तरीके की आवश्यकता है। यह ध्वनि की सांख्यिकीय संभावना के बजाय, उसके भौतिक वास्तविकता के साथ तालमेल बिठाने का मामला है।

इस कार्य के निहितार्थ केवल संगीत तक ही सीमित नहीं हैं। यह हमें यह बताने के लिए एक ब्लूप्रिंट प्रदान करता है कि हम आर्टिफिशियल इंटेलिजेंस को अन्य क्षेत्रों में कैसे अधिक विश्वसनीय बना सकते हैं जहाँ कारण और प्रभाव मायने रखते हैं। यदि एक मेडिकल AI किसी बीमारी की पहचान कर सकता है, तो उसे यह भी दिखाने में सक्षम होना चाहिए कि लक्षण को हटाने से निदान (diagnosis) बदल जाता है। यदि एक मौसम मॉडल तूफान की भविष्यवाणी करता है, तो उसे सही ढंग से प्रतिक्रिया देनी चाहिए जब हवा की गति बदलती है। 'स्टेमग्राउंड' विधि इन प्रणालियों के ऑडिट करने का एक तरीका प्रदान करती है, यह सुनिश्चित करती है कि वे केवल पैटर्न पहचानने वाले यंत्र नहीं बल्कि विश्लेषण किए जा रहे संसार को वास्तव में समझने वाले तंत्र हैं। विशिष्ट, नियंत्रित परिवर्तनों के प्रति सिस्टम की प्रतिक्रिया पर ध्यान केंद्रित करके, शोधकर्ता ऐसे मॉडल बना सकते हैं जो न केवल सटीक हैं बल्कि भरोसेमंद और सुदृढ़ भी हैं।

अंत में, अध्ययन यह प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस में सच्ची समझ के लिए केवल सही उत्तर प्राप्त करने से कहीं अधिक की आवश्यकता होती है। इसके लिए यह समझाने की क्षमता की आवश्यकता है कि वह उत्तर क्यों सही है, जो उपलब्ध भौतिक साक्ष्यों पर आधारित हो। शोधकर्ताओं ने दिखाया कि मॉडलों को विशिष्ट ध्वियों को हटाने या जोड़ने के प्रति प्रतिक्रिया देने के लिए सिखाकर, हम वास्तविकता में जमी हुई (grounded) प्रणालियाँ बना सकते हैं। ये प्रणालियाँ केवल अनुमान नहीं लगातीं; वे सुनती हैं। वे समझती हैं कि यदि बास चला गया है, तो बास चला गया है। सांख्यिकीय अनुमान से भौतिक आधार (physical grounding) की ओर यह बदलाव आर्टिफिशियल इंटेलिजेंस को ध्वनि की जटिल दुनिया में एक अधिक विश्वसनीय साथी बनाने की दिशा में एक शांत लेकिन गहरा कदम है।