아마누스: 디스크라이버를 위한 초인적 피아노 밀도 분포 전환 시스템

본 논문은 야마하 디스크라이버와 같은 자동 피아노의 물리적 한계를 고려하면서, Nancarrow의 템포 캐논, Xenakis의 확률적 분포, L‑system 문법이라는 세 가지 전통적인 작곡 기법을 하나의 통합 프레임워크로 결합한 시스템 “아마누스(Amanous)”를 제안한다. 1. **연구 배경 및 문제 정의** - 디스크라이버는 800‑1000 Hz의 키 스캔 레이트와 10‑30 ms의 속도‑의존 지연(VDL) 등 물리적 제약을 가지고 있다. 기존 작곡 도구들은 이러한 제약을 무시하거나 개별적으로 보정했을 뿐, 고밀도 텍스처를 생성하면서도 구조적 일관성을 유지하는 통합 모델이 부재했다. - 청각 장면 분석 연구에 따르면 20‑30 Hz 이상의 음표 발생률에서는 청각이 개별 멜로디를 추적하기보다 텍스처 전체를 인식한다. 따라서 초고밀도 영역에서 작곡 알고리즘이 어떻게 구조적 의미를 유지할지에 대한 질문이 제기된다. 2. **시스템 설계: 4계층 아키텍처** - **Layer 1 (기호층)**: L‑system을 이용해 매크로‑형식(문법) 구조를 생성한다. 재귀 깊이에 따라 심볼에 메타데이터(깊이 g)를 부여한다. - **Layer 2 (파라미터층)**: 각 심볼 s와 깊이 g에 대해 분포‑스위칭 매핑 M(s,g)를 적용한다. 여기서 D_IOI, D_pitch, D_vel 등 서로 다른 확률분포(정규, 지수, 균등 등)를 선택한다. 이는 기존의 “파라미터 조정”이 아니라 “분포 자체 전환”이라는 새로운 개념이다. - **Layer 3 (수치층)**: 템포 캐논 비율 r과 속도‑의존 지연을 고려해 실제 이벤트 (t_k, p_k, v_k)를 샘플링한다. 템포 캐논은 비율 r에 따라 각 음성의 시간 흐름을 스케일링하고, 수렴점(CP) 계산을 통해 ε 이하가 되면 분포 전환 트리거를 발생시킨다. - **Layer 4 (물리층)**: 하드웨어 추상화 레이어(HAL)에서 VDL, 키 리셋 시간, 최대 동시 음표 수 등을 모델링하고, 필요 시 사전 보정(Latency Compensation)과 이벤트 제한을 적용한다. 3. **핵심 기여** - **(1) 분포‑스위칭 기반 통합 프레임워크**: L‑system 심볼이 직접 서로 다른 확률분포를 선택하도록 함으로써 매크로‑형식과 마이크로‑텍스처를 동기화한다. 실험에서는 각 섹션이 통계적으로 구분되며, 효과크기 d = 3.70‑5.34을 기록했다. - **(2) 하드웨어 추상화 레이어**: 속도‑의존 지연과 키 리셋 제약을 수학적으로 모델링하고, 이를 자동 보정 루틴에 통합했다. 이는 100 notes/s 이상의 밀도에서도 서브밀리초 수준의 정확도로 MIDI를 출력할 수 있게 한다. - **(3) 밀도 포화 전이 정량화**: 24‑30 notes/s 구간에서 부트스트랩 95 % CI가 23.3‑50.0으로 나타났으며, 이 구간을 넘어가면 단일 도메인(피치 엔트로피, KS 거리 등) 지표가 텍스처 변화를 구분하지 못한다는 “컴퓨팅 포화” 현상을 발견했다. 따라서 다중 도메인(피치·리듬·다이내믹스) 결합이 필요함을 제시한다. - **(4) 수렴점(CP) 계산을 제어 인터페이스로 활용**: 템포 캐논의 비율과 가속/감속 패턴을 수학적으로 정의하고, 두 음성 간 시간 차이가 ε 이하가 되면 자동으로 분포 전환을 트리거한다. 이는 매크로‑템포 구조가 마이크로‑텍스처 전환을 직접 제어하도록 만든 최초의 시도라 할 수 있다. 4. **실험 및 검증** - **분석 방법**: Shannon 엔트로피, Kolmogorov‑Smirnov 거리, Wasserstein 거리 등 정보이론적 메트릭을 사용해 각 레이어별 출력의 분포 차이를 정량화했다. - **디그레이데이션 및 Ablation**: 각 레이어를 순차적으로 제거하거나 파라미터를 무작위화하여 효과크기를 측정했으며, 모든 레이어가 포함될 때 가장 큰 구분력을 보였다. - **밀도 스위프**: 5‑120 notes/s 범위에서 텍스처 메트릭을 측정했으며, 24‑30 notes/s 구간에서 급격한 메트릭 변화가 관찰되었다. 5. **제한점 및 향후 연구** - 현재 검증은 전적으로 계산적이며, 청각적 인지와 미학적 평가를 포함한 실험적 검증이 부재한다. 논문에서는 이를 위한 “psychoacoustic validation protocol”을 제안했지만 실제 수행은 아직이다. - 실시간 인터랙션(예: 연주자 입력에 따른 즉각적 텍스처 변환)이나 관객 반응 기반 적응형 제어는 다루지 않았다. - 딥러닝 기반 예측 모델과 결합해 파라미터 자동 튜닝이나 스타일 전이 등을 탐색하는 것이 자연스러운 확장이다. 6. **결론** 아마누스는 세 가지 전통적 작곡 기법을 하나의 하드웨어‑인식 파이프라인으로 통합함으로써, 인간이 물리적으로 연주할 수 없는 초고밀도 피아노 텍스처를 체계적으로 생성하고 제어할 수 있음을 보여준다. 시스템은 4계층 구조와 분포‑스위칭 메커니즘을 통해 매크로‑형식과 마이크로‑텍스처를 일관되게 연결하고, 하드웨어 제약을 정량적으로 보정한다. 향후 청각적 검증과 실시간 인터랙션 연구가 진행된다면, 이 접근법은 현대 알고리즘 작곡 및 디지털 악기 설계에 중요한 이정표가 될 것이다.