Frequency Range of Fourier Phase Space as a Candidate Code for Musical Pitch Structure: Evidence from Artificial Neural Network Models of Iranian Classical Music

技術要約：音楽的ピッチ構造の候補コードとしてのフーリエ位相空間の周波数範囲

問題提起
本研究が扱う中心的な問いは、音楽的なピッチ構造が異なる文化間でどのように表現されているかである。人工ニューラルネットワーク（ANN）を用いた先行研究では、西洋の調性分類問題に訓練されたネットワークが、12音音階の離散的なフーリエ位相空間と相関する結合重みを自発的に発達させることが示されているが、この表現形式が、構造的に異なる音楽体系にも一般化できるかどうかは明らかになっていない。具体的には、フーリエ位相空間によるコーディングが音楽認知における普遍的な候補コードなのか、あるいは単に西洋の12音平均律（12-TET）構造に付随するアーティファクト（人工的な産物）なのかが不明である。本研究では、西洋の半音階とは部分集合でも移調でもない、24音の四分音格子に基づく17の音クラスを持つイラン古典音楽を検証することで、この問いを検証する。

方法論
本研究では、イランおよび西洋の音楽理論から導出された分類タスクに訓練されたガウス型値ユニットネットワークを用いた、比較計算モデリング手法を採用した。

• 刺激とタスク:
  • イラン・システム: 24音の格子（50セントステップ）上に定義された17の活性な音クラス。本研究では、9つの分類タスクを定義した（2つは旋律的間隔に基づく153個の無秩序な音クラス対、および7つはDang（テトラコルド的な音階セグメント）に基づくもの）。タスクによって、不協和な組み合わせの扱い（集約または除外）が異なる。
  • 西洋システム: 同様のルールセットを用いて構築されたが、12-TETの12音クラスに置き換えられた。これにより、2つの間隔タスク（78個の無秩序なペア）が得られた。西洋システムには、直接的な理論的対応関係が存在しないため、Dangタスクは作成されなかった。
• ネットワーク・アーキリテクチャ:
  • ネットワークはガウス型（値ユニット）活性化関数を利用した。
  • 入力層は、特定の音クラスの存在（1）または不在（0）を表すバイナリベクトルである（イランは17次元、西洋は12次元）。
  • 隠れ層のサイズは「最小十分」となるよう設定された（間隔タスクでは7ユニット、Dangタスクでは4〜12ユニット）。
  • 25個のネットワークが、完全な分類が達成されるまで、一般化デルタ則を用いて訓練された。
• フーリエ位相空間の構築:
  • 位相空間は、それぞれの音クラス・格子に対して定義された。24音のイランの格子に対し、12個の異なる位相空間（周波数 $k=1$ から $12$）が得られた。12音の西洋の格子に対し、6個の位相空間（$k=1$から$6$）が得られた。
  • 各フーリエ位相空間 $k$ は、$\{\cos(2\pi k g_n/G), \sin(2\pi k g_n/G)\}$ のスパン（広がり）に対応する（ここで $g_n$ は格子のインデックス、$G$ は格子のサイズである）。
• 分析およびコントロール:
  • 適合度分析: 隠れユニットの結合重みを、各位相空間に対して回帰した。最も適合する位相空間は、多重相関係数（$R_k$）を通じて特定された。
  • 統計的コントロール: 置換ヌルモデル（重みのランダム化）とベンジャミニ・ホッホバーグの偽発見率（FDR）制御を用いて有意性を評価した。非フーリエのベースラインとして、ピッチ高さのランプ（傾斜）およびランダムなローパス・シーリングを用いた。
  • タスク駆動型コントロール:
    • ラベル置換: タスク構造なしでもフーリエ構造が持続するかをテストするため、ランダムに置換された出力ラベルでネットワークを再訓練した。
    • 入力座標置換: 入力ユニット間の隣接性に構造が依存しているのか、それとも音の同一性に依存しているのかをテストするため、訓練前に音クラスと入力ユニットのマッピングをシャッフルした。
  • タスク一致比較: 格子の基数（カーディナリティ）の影響を分離するため、特定の比較は両システムで同一に定義された間隔タスクのみに限定して行った。

主な結果

1. 単一位相空間の支配: すべてのタスクおよびシステムにおいて、隠れユニットは一貫して単一のフーリエ位相空間によって支配されていた。この支配性は、チャンスレベル（偶然レベル）を超え（FDR制御済み）、非フーリエのベースラインをも上回った。スペクトル集中指数により、ユニットは複数の周波数に分散しているのではなく、単一の支配的な周波数に集中していることが確認された。
2. 周波数範囲の採用:
   • 西洋ネットワーク: 格子のナイキスト限界の全範囲（周波数1〜6）を採用した。
   • イランネットワーク: 格子のナイキスト限界の全範囲（周波数1〜12）を採用した。
3. 高周波数の区別:
   • 24音格子におけるナイキスト周波数（$k=12$）は、数学的に半音階的（クロマティック）な区分と微細音的（マイクロトーナル：Koron/Sori）な区分の二値的な分割と同一である。したがって、$k=12$ に適合するユニットは、周期的なコードというよりも、単純な特徴検出器として機能している可能性がある。
   • $k=12$ の除外: 周波数 7〜11 の帯域（12音格子では表現不可能な領域）において、有意なイランのユニットの31%（タスク一致間隔比較における279ユニット中86ユニット）が、その最良適合値を示した。対照的に、西洋のユニットがこの帯域を占めることはなかった（0%）。
   • この差異は、タスクの種類を制御した場合（間隔タスクのみを比較した場合）でも持続し、Dangタスクによって引き起こされたものではない。
4. タスク駆動型の性質:
   • ランダムなラベルで訓練された際、フーリエの適合度はチャンスレベルまで崩壊した。これは、構造が入力コーディングやモデルの柔軟性ではなく、音楽的タスクによって駆動されていることを裏付けている。
   • 入力座標をシャッフルしても適合度は低下しなかった。これは、構造が入力ユニットの空間的配置ではなく、音クラスの同一性とタスク構造に依存していることを示している。

意義および主張
本論文は、西洋の調性音楽から派生したANNにおいて、フーリエ位相空間が自発的に発見される表現形式であるという知見を、構造的に異なる微細音音楽へと拡張したことを主張している。主要な貢献は、イラン古典音楽に訓練されたネットワークが、12-TETのネットワークでは数学的に到達不可能な高周波数の位相空間（7〜11）を採用することを示した点にある。

著者らは、控えめながらも反証可能な仮説を提案している。すなわち、音楽文化は質的に異なる表現コードを持っているのではなく、単一のフーリエベースのコードを共有しており、その有効な周波数範囲が、基礎となる音クラス格子の基数と構造によって決定されるというものである。本研究は、形式（フーリエ位相空間）は普遍的かもしれないが、利用される周波数の範囲は文化特有であり、格子のナイキスト限界によって制約されることを示唆している。

著者が認める限界

• 理論と実演: モデルは、実際のペルシャ音楽の柔軟で文脈依存的なイントネーションではなく、修正されたヴァジリ（Vaziri）調律（理論的な24音のTETシステム）に依存している。
• ナイキストの曖昧性: 特定の格子において $k=12$ の周波数が二値的な特性検出器へと退化するため、$k=12$ を除外することは必要である。これにより、単純な特徴検出と区別することが不可能になる。
• 一般性の範囲: 本研究では2つの音楽システムのみを使用している。著者らは、アラビアやトルコの伝統は歴史的なルーツを共有しているため、クロスカルチャーの一般性をテストするための独立した事例としては不十分であると述べている。彼らは、インドや中国のシステムを将来の候補として挙げているが、外部の枠組みを課さずにそれらの音の格子を定量的に定義することの難しさについても言及している。
• アーキテクチャ: 結果は小規模で最小十分なネットワークに基づいている。層のサイズに関わらず堅牢ではあるが、より大規模または異なるアーキテクチャ（深層学習など）が必ずしも同じコードに収束するとは限らないと述べている。ただし、変分オートエンコーダーからの収束的な証拠も引用している。

結論として、フーリエ位相空間は、西洋の調性を超えた音楽的認知の候補コードであり、採用される具体的な周波数範囲は、基礎となる音クラス・システムの構造的特性を示すマーカーとなり得ると述べている。