Frequency Range of Fourier Phase Space as a Candidate Code for Musical Pitch Structure: Evidence from Artificial Neural Network Models of Iranian Classical Music
本研究表明，在经过伊朗古典音乐微音程音高结构训练的人工神经网络，自发地发展出了由傅里叶相位空间主导的隐层单元表示，从而证实了该频率范围是超越西方调性体系、作为音乐音高结构的通用候选编码。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
音乐是人类普遍具备的特质，存在于每一个已知的社会中，然而我们的大脑如何编码旋律的构建模块，仍然是认知科学领域的一大谜题。我们知道大脑通过复杂的神经元网络处理声音，但我们并不清楚这些神经元用来表示一个音符或一个和弦的具体语言是什么。大脑是将音乐存储为一份简单的音符列表，还是使用一种更抽象的、数学化的代码？几十年来，研究人员一直怀疑大脑可能会利用一种基于频率的系统来组织音高，就像棱镜将光分解为彩虹色一样。这一想法植根于傅里叶变换的数学原理，暗示大脑会将音乐结构分解为其底层的波形成分。直到现在，这一理论几乎完全是在使用其熟悉的十二平均律的西方音乐进行测试。但如果这种基于频率的代码是人类音乐认知的基本组成部分，那么它应该出现在任何音乐体系中，即使是那些规则和结构完全不同的体系。
为了测试这一点，库尔德斯坦大学的研究人员转向了伊朗古典音乐，这种传统在音高上的划分比西方音乐要精细得多。西方音乐将一个八度分为十二个相等的步骤，而伊朗古典音乐在同样的范围内识别出十七个不同的音级，其中包括西方标准音阶中没有直接对应关系的微妙四分之一音偏移。研究团队构建了人工神经网络——旨在模拟人类大脑学习过程的计算机程序——并训练它们使用这种伊朗系统来解决特定的音乐问题。他们要求网络通过分析音符之间的关系，纯粹地识别音乐音程和特定的四音和弦结构（称为 Dangs）。至关重要的一点是，这些网络从未被告知要使用任何数学公式或频率分析；它们只是被赋予了学习分类音乐的任务，并被允许自行摸索出最佳的处理方式。
结果令人震惊。随着网络逐渐学会解决这些分类任务，它们的内部连接自发地组织成了与傅里叶相位空间数学结构完美匹配的模式。这意味着，在没有任何指令的情况下，计算机模型发现，表示这些复杂音乐关系最有效的方式是将它们映射到一组基于频率的波上。这一发现证实了基于频率的代码不仅是西方音乐理论的一个特性，而且是学习系统在面对音乐结构时可以发现的一种通用解决方案。然而，这项研究也揭示了两个音乐世界之间一个迷人的差异。由于伊朗系统使用了更精细的音高网格，接受其训练的网络调用了更广泛的频率范围来开展工作。训练西方音乐网络的网络利用了六个不同的频带，而接受伊朗音乐训练的网络则利用了其更详细音高网格所允许的全部十二个频带。
这种差异不仅仅是规模的问题；它指向了一个关于音乐文化如何被编码的更深层原则。研究人员发现，伊朗网络中约百分之三十一的单元正在使用在西方十二音体系中根本不存在的高频频带。这些单元捕捉到了西方体系在数学上无法表达的音乐细微差别。研究通过严格的实验排除了这种现象是计算机设置误差或数据输入方式导致的可能；当研究人员打乱音乐标签或随机化输入顺序时，这种模式便消失了，这证明了网络之所以开发出这种特定的代码，是因为它是解决该音乐任务的最有效方案。
这项工作的意义超越了计算机科学领域。它表明，虽然代表音乐的基础代码可能是跨文化共享的——即一种大脑自然趋向的基于频率的系统——但所使用的具体频率范围可能会因音乐传统而异。正如语言使用相同的基本发音但通过不同的排列组合来创造不同的单词一样，不同的音乐文化可能正在利用同一套通用频率谱系中的不同切片，来捕捉它们独特的音响特征。该研究并未声称已经解决了人类音乐认知的奥秘，也没有证明人类大脑的工作方式与这些计算机模型完全一致。相反，它提出了一个精确且可验证的假设：世界音乐多样性的原因，可能在于不同文化如何利用同一套共享的底层频率代码的不同范围。通过展示这种代码如何在像伊朗古典音乐这样迥异的系统中自然涌现，这项研究为我们观察人类音乐体验中的普遍性与独特性的关系提供了一个全新的视角。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。