Sintesi Tecnica: Composizione Dodecafonica Guidata da un Verificatore

Definizione del Problema

I Large Language Models (LLM) faticano a generare musica dodecafonica (seriale) valida. Sebbene possano produrre partiture che appaiono superficialmente legali, spesso scivolano in "texture degenerate"—output musicalmente vuoti, come pochi accordi sostenuti, voci collassate o battute quasi deserte. Questo comportamento rappresenta una forma di specification gaming: il modello soddisfa la lettera della regola proxy (ad esempio, "nessuna ripetizione di classi di altezze") purdefeatendo l'obiettivo musicale inteso (una realizzazione seriale coerente e non degenera).

Gli approcci esistenti alla generazione vincolata, come la decodifica vincolata dalla grammatica o l'auto-raffinamento, spesso non riescono ad affrontare la specifica tensione nella composizione dodecafonica: la legalità è una proprietà booleana netta e locale, mentre la qualità musicale è globale. Un modello che ottimizza strettamente la legalità locale finisce spesso per sacrificare la coerenza globale. Inoltre, l'auto-correzione standard si basa sulle affermazioni del modello stesso piuttosto che su una verifica eseguibile, rendendola suscettibile agli stessi meccanismi di fallimento.

Metodologia

Gli autori propongono un impalcatio neuro-simbolico (neuro-symbolic harness) che avvolge un proponente LLM in un ciclo Genera–Verifica–Ripara–Traccia. Questo sistema separa la pianificazione di alto livello e le proposte a livello di nota (gestite dall'LLM) dal controllo dei vincoli rigidi e dall'assegnazione delle classi di altezze (gestiti da uno strato simbolico deterministico).

Componenti Core

1. Rappresentazione Simbolica: Le composizioni sono rappresentate come multiset di eventi temporizzati con altezze MIDI, etichette di voce, tag di forma della serie e indici della serie. Il sistema opera sul gruppo delle trasformazioni dodecafoniche ($D_{12} \times C_2$, ordine 48).
2. Vincoli Rigidi: Il sistema impone un insieme di predicati ($H$) che includono:
   • Consistenza della Serie ($H_{row}$): Le classi di altezze devono corrispondere alla sezione della forma della serie etichettata.
   • Nessuna Ripetizione Prematura ($H_{agg}$): Nessuna classe di altezze si ripete all'interno di un ciclo di serie prima che il cursore proceda.
   • Non-Collisione Verticale ($H_{\perp}$): Eventi simultanei in voci diverse non devono condividere classi di altezze.
   • Equivalenza di Ottava ($H_{8}$): Le classi di altezze tracciate devono corrispondere alle altezze MIDI modulo 12.
   • Limiti di Texture ($H_{tex}$): Vincoli sulle pause globali e sulle inversioni di registro.
3. La Scala di Riparazione ($\rho$): Quando un evento candidato viola un vincolo, un operatore di riparazione deterministico tenta di correggerlo senza alterare il contenuto delle classi di altezze (preservando la serie). La scala scala come segue:
   • I gradini 1–3 (Deterministici): Regolazione del tempo (potatura delle code, concessione di note sovrapposte, ritempro della durata entro finestre libere) per risolvere collisioni verticali.
   • I gradini 4–5 (Patch LLM): Se le regolazioni temporali falliscono, l'LLM viene invocato per modificare l'evento o riscrivere il segmento della serie.
   • Caduta (Drop): Se tutte le riparazioni falliscono, l'evento viene scartato e la sezione viene segnalata per una ri-pianificazione.
4. Traccia e Invarianti: Il sistema mantiene un "invariante di sincronia" (lockstep invariant) in cui il cursore della serie del verificatore non è mai in ritardo rispetto al generatore, anche quando gli eventi vengono scartati. Ogni evento accettato porta un certificato di traccia, consentendo al sistema di registrare quali posizioni della serie sono sopravvissute alla riparazione e quali sono state scartate.
5. Processo vs. Audit: Il sistema distingue tra diagnostica di processo (controllo delle violazioni accumulate durante la generazione) e un audit finale di rilascio (un controllo separato e indipendente dell'artefatto trattenuto). Il sistema si astiene esplicitamente dal rilasciare una partitura se l'audit finale fallisce, invece di tentare di forzare un rilascio.

Contributi Chiave

1. Formalizzazione della Composizione Seriale: Gli autori formalizzano la composizione dodecafonica come generazione di sequenze vincolate su $\mathbb{Z}_{12}$, definendo un linguaggio di coerenza degli eventi e separando la diagnostica di processo dagli audit dell'artefatto finale.
2. Impalcatio Genera–Verifica–Ripara: Introducono un impalcatio che utilizza un operatore di riparazione che preserva la serie e un invariante di sincronia tra generatore e verificatore. Ciò produce una proiezione della serie locale all'evento e una selezione monotona basata sul miglior tentativo, evitando la pretesa di una legalità incondizionata dell'intero pezzo.
3. Valutazione Empirica: Lo studio valuta sei modelli linguistici attraverso 40 compiti controllati (variando lunghezza e texture), inclusi prompt avversari di "red-teaming" progettati per indurre degenerazione.

Risultati

Attraverso 40 compiti e quattro coppie di modelli, l'impalcatio dimostra miglioramenti significativi rispetto alla generazione grezza:

• Resa di Consegna Audita: Aumenta dal 13,3% (generazione grezza) al 48,1% con l'impalcatio. L'impalcatio fallisce esplicitamente invece di rilasciare spartiti invalidi.
• Collisione e Consistenza: Il tasso di superamento per un controllo più stretto di collisione e consistenza seriale sale dal 33,5% al 58,3%.
• Degenerazione: Il punteggio di degenerazione rimane vicino allo 0,05 con l'impalcatio, rispetto a tassi più elevati nella generazione grezza, anche sotto prompting avversario.
• Parseabilità: L'impalcatio raggiunge il 100% di parseabilità (480/480 esecuzioni), mentre la generazione grezza produce candidati parseabili solo nell'85,4% delle esecuzioni.
• Valutazione degli Esperti: Una valutazione in cieco condotta da cinque esperti ha mostrato una forte preferenza aggregata per i candidati dell'impalcatio rispetto alla generazione grezza in termini di aderenza (85%), legalità percepita (85%), coerenza (82%) e qualità complessiva (90%).
• Costo: L'impalcatio è computazionalmente costoso, con una media di 638 chiamate all'LLM e 823k token per esecuzione (circa 157 volte il conteggio di token della generazione grezza), evidenziando un compromesso tra qualità ed efficienza.

Significato e Rivendicazioni

Il documento sostiene che l'impalcatio offre un modello robusto per la generazione neuro-simbolica in domini in cui le proxy automatiche possono essere soddisfatte senza produrre output utili. Separando la diagnostica di processo dagli audit dell'artefatto consegnato, il sistema fornisce un registro ispezionabile del materiale trattenuto, riparato e scartato.

Gli autori sono modesti nelle loro rivendicazioni, notando che:

• Il sistema non garantisce la legalità dell'intero pezzo a causa della provenienza dello schema rilassata (i ri-piani locali potrebbero non essere pienamente materializzati nel blueprint finale).
• I guadagni sono osservati all'interno dei modelli e delle famiglie di prompt valutati; non viene rivendicata la generalizzazione oltre questi.
• L'alto costo computazionale impedisce di attribuire i guadagni esclusivamente al meccanismo di riparazione senza ulteriori studi di ablazione sul calcolo.
• La valutazione degli esperti, pur mostrando una preferenza aggregata, ha presentato un basso accordo tra i valutatori ($\kappa$ compreso tra -0,20 e 0,20), suggerendo che, sebbene l'impalcatio migliori le metriche oggettive, la qualità musicale soggettiva rimane una sfida complessa e sfaccettata.

Questo lavoro posiziona la composizione dodecafonica come un microcosmo pulito per studiare la tensione tra l'applicazione di regole nette e la coerenza musicale globale, offrendo un modello metodologico per altri generatori strutturati come il codice o i piani.