초록
▼

딥러닝을 필두로 인공지능 연구가 활발해지면서 자동 작곡 또한 많은 관심을 받고 있다. 근래에는 신경망을 많이 활용하지만 딥러닝이 대두되기 전에는 진화연산을 이용한 자동 작곡도 많이 연구되었다. 그 중 특히 인공지능 연구가 활발해지면서 자동 작곡 또한 많은 관심을 받고 있다. 근래에는 신경망을 많이 활용하지만 딥러닝이 대두되기 전에는 진화연산을 이용한 자동 작곡도 많이 연구되었다. 그 중 특히 유전 알고리즘을 이용한 자동 작곡 연구가 활발하게 진행 되었는데, 이러한 진화연산 계열의 자동 작곡 연구들이 공통적으로 부딪힌 어려움은 음악의 적합도를 계산하는 일이였다. 음악의 적합도를 측정할 수 없으면 어떤 음악이 좋은지 알 수 없기 때문에 좋은 음악을 만들 수 없으므로 사람이 직접 적합도를 측정하기도 하였다. 따라서 본 연구에서는 기계학습을 활용하여 적합도를 측정하는 새로운 방법을 개발하였다. 이 기계학습 모델은 좋은 곡으로 분류된 학습 데이터들로부터 지정된 특징을 학습하고, 평가하는 음악이 학습된 좋은 음악의 특징을 얼마나 가지고 있는지 수치로 나타낸다.
음악은 유전 알고리즘을 활용하여 생성한다. 음표들을 고정길이 염색체(chromosome)로 표현한 보통의 유전 알고리즘을 이용한 자동 작곡 연구와는 달리 본 연구에서는 가변길이 염색체로 표현하였다. 이는 음표의 시퀀스에서 좋은 부분들을 잘 보존하기 위하여 사용한 기하학적 교차연산(geometric crossover)이 가변길이의 염색체를 대상으로 잘 동작하기 때문이다. 이후 변이, 선택, 대치 등의 연산을 수행하면서 세대가 증가함에 따라 모집단(population)의 적합도가 높아져 기하학적 교차연산이 음악을 대상으로 훌륭하게 사용될 수 있음을 확인하였다. 적합도가 높아질수록 점점 안정적이고 듣기 좋은 음악이 만들어짐을 대중에게 평가 받기 위해서 설문조사를 수행하였고, 결과적으로 음악의 적합도가 높을수록 대중들이 더 좋은 음악으로 평가하는 것을 확인하여 본 연구에서 개발한 적합도 함수가 적절하게 설계됨을 증명하였다. 따라서 사람이 직접 적합도를 입력해야 좋은 음악이 나왔던 이전의 유전 알고리즘을 활용한 자동작곡 연구들과 비교할 때 생산성도 매우 좋아졌고, 적합도의 판단 기준도 명확해져 학습 데이터에 따라 다양한 음악을 생성할 수 있음을 보였다.

Abstract
▼

As the artificial intelligence research becomes active with deep running, many studies on algorithmic composition is also receiving much attention. In recent years, neural networks have been extensively used. However, before deep learning emerged, a lot of algorithmic composition using evolutionary ...

As the artificial intelligence research becomes active with deep running, many studies on algorithmic composition is also receiving much attention. In recent years, neural networks have been extensively used. However, before deep learning emerged, a lot of algorithmic composition using evolutionary computation has been studied. In particular, algorithmic composition research using genetic algorithm was actively performed. The difficulty common to automatic composition studies using evolutionary computation was to calculate the fitness of music. If the fitness of the music cannot be calculated, good music cannot be created because it does not know what music is good. So sometimes, the fitness of music was measured by person.
Therefore, in this thesis, we developed a novel method to calculate fitness by using machine learning. This machine learning model learns a specified characteristic from learning data classified as a good music. The model shows numerically how much the music has the characteristics of good music.
Music is composed by genetic algorithms. Unlike ordinary studies in which notes are expressed as fixed-length chromosomes, we adopted variable-length chromosomes in this study. This is because the geometric crossover used to preserve good parts in the sequence of notes works well for variable-length chromosomes. Then, as the generation increases, the fitness of the population is improved by performing genetic operations such as mutation, selection, and replacement. The questionnaire was conducted to get the public to appreciate that more stable and more enjoyable music was produced as the fitness value increased. As a result, we confirmed that the higher the fitness of the music is, the better the music is evaluated by the public. Therefore, it is shown that the fitness function developed in this thesis is appropriately designed. Therefore, when compared with algorithmic composition studies using genetic algorithms based on the good music that a person has to enter the fitness directly, the productivity is improved and the criterion of the fitness is clarified so that various music can be generated according to the learning data.

주제어

#유전 음악 작곡 기계학습;

이 논문을 인용한 문헌