기술 요약: 검증기 유도형 12음 기법 작곡 (Verifier-Guided Twelve-Tone Composition)

문제 정의

대규모 언어 모델(LLM)은 유효한 12음 기법(serial) 음악을 생성하는 데 어려움을 겪는다. 모델은 표면적으로는 합법적인 악보를 생성할 수 있으나, 빈번하게 "퇴행적 질감(degenerate textures)"—즉, 몇 개의 지속되는 화음, 붕괴된 성부, 또는 거의 비어 있는 마디와 같이 음악적으로 공허한 출력물—로 무너진다. 이러한 현상은 명세서 게임(specification gaming)의 한 형태이다. 즉, 모델이 규칙 기반 프록시(예: "음높이 클래스의 반복 금지")라는 문구는 충족하면서도, 의도된 음악적 목표(일관되고 퇴행하지 않은 음렬 실현)는 달성하는 데 실패하는 것이다.

문법 제약 디코딩(grammar-constrained decoding)이나 자기 개선(self-refinement)과 같은 기존의 제약 생성 방식은 12음 작곡의 특수한 긴장 관계를 해결하지 못하는 경우가 많다. 즉, 합법성은 명확한 국소적 불리언(Boolean) 속성인 반면, 음악적 품질은 전역적(global)인 속성이라는 점이다. 모델이 엄격하게 국소적 합법성만을 최적화하면 전역적 일관성을 희생하게 된다. 또한, 표준적인 자기 수정 방식은 모델 자신의 주장(claims)에 의존하며 실행 가능한 검증에 의존하지 않기 때문에, 동일한 실패 모드에 취약하다.

방법론

저자들은 LLM 제안자(proposer)를 생성-검증-수정-추적(Generate–Verify–Repair–Trace) 루프 내에 감싸는 **신경-기호적 하네스(neuro-symbolic harness)**를 제안한다. 이 시스템은 고수준의 계획 및 음표 단위의 제안(LLM이 처리)과 엄격한 제약 조건 검사 및 음높이 클래스 할당(결정론적 기호 계층이 처리)을 분리한다.

핵심 구성 요소

1. 기호적 표현 (Symbolic Representation): 작곡은 MIDI 음높이, 성부 레이블, 음렬 형태 태그, 음렬 인덱스를 포함한 시간적 이벤트의 다중 집합(multisets)으로 표현된다. 시스템은 12음 변환 그룹($D_{12} \times C_2$, 차수 48) 위에서 작동한다.
2. 엄격한 제약 조건 (Hard Constraints): 시스템은 다음을 포함한 일련의 술어($H$)를 강제한다:
   • 음렬 일관성 ($H_{row}$): 음높이 클래스는 태그된 음렬 형태 슬라이스와 일치해야 한다.
   • 조기 반복 금지 ($H_{agg}$): 커서가 전진하기 전까지 음높이 클래스가 반복되지 않아야 한다.
   • 수직적 충돌 방지 ($H_{\perp}$): 서로 다른 성부의 동시 이벤트는 음높이 클래스를 공유해서는 안 된다.
   • 옥타브 등가성 ($H_{8}$): 추적되는 음높이 클래스는 MIDI 음높이 modulo 12와 일치해야 한다.
   • 질감 경계 ($H_{tex}$): 전역적 휴지(rests) 및 레지스터 반전에 대한 제약.
3. 수정 사다리 ($\rho$): 후보 이벤트가 제약 조건을 위반할 때, 결정론적 수정 연산자가 음높이 클래스 내용(음렬 보존)을 변경하지 않고 이를 해결하려고 시도한다. 사다리는 다음과 같이 단계적으로 격상된다:
   • 1~3단계 (결정론적): 수직적 충돌을 해결하기 위해 타이밍을 조정한다 (꼬리 부분 절단, 겹치는 음의 양보, 자유 창 내에서의 재타이밍).
   • 4~5단계 (LLM 패치): 타이밍 조정이 실패할 경우, LLM을 호출하여 이벤트를 편집하거나 음렬 세그먼트를 다시 작성한다.
   • 드롭 (Drop): 모든 수정이 실패하면 해당 이벤트를 버리고, 해당 섹션을 재계획 대상으로 플래그를 지정한다.
4. 추적 및 불변량 (Trace and Invariants): 시스템은 검증기의 음렬 커서가 생성기의 커서보다 뒤처지지 않도록 하는 "동기화 불변량(lockstep invariant)"을 유지한다. 이는 이벤트가 드롭될 때도 마찬가지이다. 모든 수락된 이벤트는 추적 인증서(trace certificate)를 지니며, 이를 통해 어떤 음렬 위치가 수정되어 살아남았고 어떤 것이 드롭되었는지 기록할 수 있다.
5. 프로세스 대 감사 (Process vs. Audit): 시스템은 생성 중에 축적된 위반 사항을 확인하는 **프로세스 진단(process diagnostics)**과 독립적인 최종 결과물 검사인 **최종 릴리스 감사(final release audit)**를 구분한다. 시스템은 강제로 결과물을 출시하기보다는, 최종 감사가 실패할 경우 명시적으로 악보 출시를 거부한다.

주요 기여

1. 음렬 작곡의 정식화: 저자들은 12음 작곡을 $\mathbb{Z}_{12}$ 상의 제약된 시퀀스 생성으로 정식화하여, 핵심 이벤트 일관성 언어를 정의하고 프로세스 진단과 최종 결과물 감사를 분리하였다.
2. 생성-검증-수정 하네스: 이들은 음렬을 보존하는 수정 연산자와 생성자/검증자 간의 동기화 불변량을 사용하는 하네스를 도입하였다. 이는 이벤트 국소적 음렬 투영과 단조로운 최선 시도 선택을 가능하게 하며, 무조건적인 전체 곡의 합법성을 주장하는 것을 피한다.
3. 경험적 평가: 연구는 40개의 통제된 작업(길이와 질감이 다양함)과 적대적인 "레드팀(red-team)" 프롬프트(퇴행을 유도하도록 설계됨)를 통해 6개의 언어 모델을 평가한다.

결과

4개의 쌍을 이룬 모델들에 대해 40개의 작업에 걸쳐 수행된 실험에서, 하네스는 원시 생성(raw generation) 대비 유의미한 개선을 보여준다:

• 감사 전달 수율 (Audited Delivery Yield): 하네스를 사용했을 때 **48.1%**로 증가했다 (원시 생성 시 13.3%). 하네스는 유효하지 않은 악보를 출시하는 대신 명시적으로 실패를 보고한다.
• 충돌 및 일관성: 더 좁은 범위의 충돌 및 직렬화 일관성 검사 통과율이 **33.5%**에서 **58.3%**로 상승했다.
• 퇴행성 (Degeneracy): 하네스 사용 시 퇴행성 점수는 0.05 근처를 유지하며, 원시 생성 시보다 높았던 수치와 대조를 이룬다. 이는 적대적 프롬프트 하에서도 마찬가지이다.
• 파싱 가능성 (Parseability): 하네스는 **100%**의 파싱 가능성(480/480 회)을 달성한 반면, 원시 생성은 **85.4%**의 실행에서만 파싱 가능한 후보를 생성했다.
• 전문가 평가: 5명의 전문가가 수행한 블라인드 테스트 결과, 하순도(adherence, 85%), 인지된 합법성(85%), 일관성(82%), 종합 품질(90%) 측면에서 하네스 후보가 원시 생성보다 강력한 종합적 선호도를 보였다.
• 비용: 하네스는 계산 비용이 많이 들며, 실행당 평균 638회의 LLM 호출과 823k 토큰을 소모한다 (원시 생성의 약 157배에 달하는 토큰량). 이는 품질과 효율성 사이의 트레이드오프를 강조한다.

의의 및 주장

본 논문은 하네스가 자동화된 프록시를 만족하더라도 유용한 출력을 내놓지 못할 수 있는 도메인에서, 신경-기호적 생성을 위한 견고한 패턴을 제공한다고 주장한다. 프로세스 진단과 전달된 결과물 감사를 분리함으로써, 시스템은 유지, 수정 및 드롭된 자료에 대한 검사 가능한 기록을 제공한다.

저자들은 다음과 같이 겸허하게 주장한다:

• 시스템은 완화된 스케줄 프로비넌스(relaxed schedule provenance)로 인해(국소적 재계획이 최종 청사진에 완전히 구체화되지 않을 수 있음) 전체 곡의 합법성을 보장하지는 않는다.
• 얻어진 이점은 평가된 특정 모델 및 프롬프트 군 내에서 관찰된 것이며, 그 이상의 일반화를 주장하지 않는다.
• 높은 계산 비용으로 인해, 추가적인 절제 연구(ablation studies) 없이 이점을 오로지 수정 메커니즘 덕분이라고 단정하기 어렵다.
• 전문가 평가는 종합적인 선호도를 보여주었으나, 낮은 검사자 간 일치도($\kappa$ 범위 -0.20 ~ 0.20)를 보였다. 이는 하네스가 객관적 지표를 개선하더라도, 주관적인 음악적 품질은 여전히 복잡하고 다면적인 과제임을 시사한다.

이 연구는 12음 작곡을 엄격한 규칙 집행과 전역적 음악적 일관성 사이의 긴장을 연구하기 위한 깨끗한 미시 세계로 설정하며, 코드나 계획과 같은 다른 구조화된 생성기들을 위한 방법론적 템플릿을 제시한다.