Batı tonalite ve modlarına koşullanan müzik öğrenimi ve besteleme için sinirbilim ve psikolojiden ilham alan bir sıçrama sinir ağı

Bilgisayarlara tonalite öğretmenin önemi

Çoğu insan bir şarkının “eve döndüğünü”, yani son nota ile sonuçlandığını ya da yanlış bir akorun her şeyi bozan bir haz vermesini sezebilir. Bu içgüdü, Batı müziğinin altında yatan tonal iskelet olan anahtar ve modun gizli kurallarına dayanır. Modern yapay zekâ sınırsız melodiler üretebilir, ancak sıklıkla bu kuralları görmezden gelir veya kaba biçimlerde sabitler. Bu makale, müzikal anahtarları ve modları insan dinleyici gibi öğrenen, ardından bu bilgiyi dört sesli armoni bestelemek için kullanan beyin esinli yeni bir modeli sunuyor. Amaç, müzik üreten makineleri yalnızca daha müzikal kılmak değil, aynı zamanda daha anlaşılır hale getirmektir.

Günlük dinlemeden içsel ses haritalarına

Müziği dinlediğinizde, beyniniz hangi notaların dengeli hissettirdiğini, hangilerinin gerilim verdiğini ve desenlerin nasıl açıldığını yavaşça içsel bir harita halinde kurar. Psikologlar bunu, 12 perde sınıfının her birinin belirli bir ton içinde ne kadar güçlü olduğunu ölçen Krumhansl–Schmuckler modeliyle yakalamıştır. Sinirbilim, bu tür şematik bilgiyi zaman içinde deneyimi örgütleyen medial prefrontal korteks ve hipokampus gibi bellek yapılarıyla ilişkilendirir. Yazarlar, çoğu derin öğrenme tabanlı müzik sisteminin bu psikolojik ve biyolojik içgörüleri atladığını ileri sürer: genellikle tüm parçaları bir referans tona zorlarlar veya tonu basit bir etiket olarak görürler ve iç işleyişleri yorumlanması zordur. Yeni çalışma bunun yerine, iç bağlantıları insan tonal algısıyla doğrudan karşılaştırılabilecek bir ağ kurmayı amaçlar.

Hem ölçekleri hem dizileri duyan beyin-benzeri bir ağ

Araştırmacılar, gerçek nöronları andıran kısa elektriksel darbelerle iletişim kuran bir model türü olan sıçrama sinir ağı tasarlar. Onu iki ana alt sisteme ayırırlar. "Tonal" alt sistem, majör ve minör modları ile Batı tonal müziğinde kullanılan 24 tonu temsil eder; bu düzen, beynin soyut şemaları depolama biçimini anımsatan bir hiyerarşi içindedir. "Sıralı bellek" alt sistemi ise bir dört sesli parçanın gerçek notalarını—perdeleri ve sürelerini—tutar; bunlar soprano, alto, tenor ve basa karşılık gelen ayrı akışlara dağıtılmıştır. Bu akışlarda perde ve süre, işitsel korteksin organizasyonundan ve zamanlama araştırmalarında bulunan zaman duyarlı hücrelerden gevşekçe esinlenen küçük nöron sütunları dizileriyle kodlanır.

Bağlantıların deneyimle büyümesine izin vermek

Her şeyi önceden kablolu hale getirmek yerine, model bir parça çalındıkça nöronlar birlikte tekrar tekrar ateşlendiğinde tonal alt sistem ile sıralı bellek alt sistemi arasında yeni sinapsların oluşmasına izin verir. Bu, öğrenme sırasında sinir devrelerinin nasıl ortaya çıktığını ve değiştiğini taklit eder. Bir bağlantı oluştuğunda, gücü sıçrama-zamanlamasına-bağlı plastisite (spike-timing-dependent plasticity) adlı bir kuralla ayarlanır: kaynak nöron hedef nörondan hemen önce ateşleme eğilimindeyse bağlantı güçlenir; sıra tersine dönerse zayıflar. Birçok parça boyunca—belirli armonik fikirleri vurgulamak için özenle hazırlanmış ders egzersizleri ve geniş bir J.S. Bach koral koleksiyonu dahil—ağın iç kabloları, her mod ve tondaki hangi notaların merkezi, destekleyici veya nadir işlev gördüğünü yansıtacak şekilde yavaşça oluşur.

Makinenin tonalite duygusunun içyüzü

Modelin gerçekten insan benzeri tonal beklentiler geliştirip geliştirmediğini test etmek için yazarlar öğrenilmiş bağlantılarının iki özelliğini ölçtüler: her perde sınıfının biriktirdiği sinaps sayısı ve bu sinapsların ortalama güçlülüğü. Ardından bu desenleri iyi bilinen psikolojik anahtar profilleriyle karşılaştırdılar. Hem majör hem minör modlar ve birçok bireysel ton arasında eşleşme çarpıcı derecede yüksekti. İnsanların "ev" tonu veya ana destekleyici tonlar olarak duyduğu notalar ağda en çok bağlantılı olanlar olarak ortaya çıktı. İnce farklılıklar eğitilen malzemeyi yansıtıyordu—örneğin belirli akorları vurgulayan öğretim egzersizleri ağı bu notalara daha fazla ağırlık vermeye yönlendirdi. Bu, modelin hem genel tonal yasaları hem de insan kültürleşmesine benzer şekilde korpusa özgü alışkanlıkları yakaladığını gösterir.

Seçilen bir ton için yeni müzik besteleme

Beste yapması istendiğinde sisteme hedef bir mod ve ton ile kısa bir başlangıç akoru verilir. Ton-spesifik nöronlardaki aktivite, öğrenilmiş bağlantılar aracılığıyla sıralı bellek alt sistemini önyönlendirir. Yarışan nota nöronları ateşlenir ve basit bir "kazanan-hepsini-alır" kuralı her ses için bir sonraki notayı seçer. Adım adım model, amaçlanan ton içinde kalan, aynı zamanda çeşitli melodik şekilleri keşfeden yeni dört sesli armoniler üretir. Tekrarlayan ağlar, dönüştürücüler (transformers) ve difüzyon modelleri dahil olmak üzere çeşitli popüler derin öğrenme modelleriyle karşılaştırıldığında, sıçrama modeli ürettiği parçaların perde aralıkları, ölçek tonu kullanımı ve diğer yapısal istatistikleri bakımından referans veri setlerine daha yakın sonuçlar verir. Özellikle, monotonlaşmadan yüksek oranlarda ton içi notaları korur.

Geleceğin müzik makineleri için ne anlama geliyor

Genel bir okuyucu için kilit sonuç, beyin esinli bir ağın bizim sezgisel tonalite ve ölçek duyumumuza yakın bir şeyi öğrenebileceği ve bu bilgiyi doğrudan kablolarında görebileceğimizdir. Model henüz değişen armoni, ritmik çeşitlilik veya ifadeli zamanlama gibi gerçek müziğin tüm zenginliklerini ele almıyor. Yine de müzik teorisi, psikoloji ve sinir hesaplaması arasında somut bir köprü sunuyor. Biyolojik olarak motive edilmiş bir sistemin inandırıcı, ton-bilincine sahip armoniler üretebileceğini ve oraya nasıl ulaştığını gösterebildiğini ortaya koyarak, bu çalışma hem müzikal olarak daha okuryazar hem de sesi nasıl düşündüğü konusunda daha şeffaf müzik üreten yapay zekâlara doğru bir yol gösteriyor.

Atıf: Liang, Q., Zeng, Y. & Tang, M. A spiking neural network inspired by neuroscience and psychology for Western mode- and key-conditioned music learning and composition. Sci Rep 16, 12956 (2026). https://doi.org/10.1038/s41598-026-43529-1

Anahtar kelimeler: sıçrama sinir ağları, müzik üretimi, müzikal anahtar ve mod, hesaplamalı müzik bilişi, beyin esinli yapay zekâ