창의성 자동화를 향한 기계 지능 접근

초록

본 논문은 음악 분야에서 컴퓨터 창의성의 발생을 실증적으로 보여준다. 창작자, 과정, 결과물, 환경(press)이라는 네 가지 차원을 이론적으로 정리하고, 새로움, 품질, 전형성이라는 창의성 평가 지표를 수치화한다. 인간 창의성을 모방한 알고리즘적 인지 모델을 설계하고, 이를 기반으로 인간 수준의 창작 능력을 갖춘 프로토타입 시스템을 구현한다. 다양한 창의성 벤치마크 테스트를 통해 제안 시스템의 성능을 검증하고, 기존 시스템과의 비교 분석을 제공한다.

상세 분석

이 연구는 창의성을 ‘생산자(producer)’, ‘과정(process)’, ‘산물(product)’, ‘환경(press)’ 네 축으로 분류하고, 각각을 정량화 가능한 변수로 전환한다. 생산자는 알고리즘의 구조와 학습 데이터, 과정은 생성 모델의 탐색 전략, 산물은 최종 음악 시퀀스, 환경은 청중의 문화적 배경과 평가 기준을 의미한다. 창의성의 핵심 지표인 ‘새로움(novelty)’은 기존 레퍼런스와의 거리(metric space)로, ‘품질(quality)’은 음악 이론적 규칙 위반 정도와 청취자 만족도 설문을 결합한 복합 점수로, ‘전형성(typicality)’은 장르 내 표준 패턴과의 일치도를 통해 측정한다.

알고리즘적 인지 모델은 인간 창작자의 인지 과정을 모방하기 위해 두 단계의 메타-학습을 도입한다. 첫 번째 단계는 대규모 MIDI 데이터셋을 이용한 사전 학습으로, 기본 멜로디와 화성 구조를 내재화한다. 두 번째 단계는 ‘창의적 탐색’ 모듈에서 강화학습 기반의 정책 네트워크가 ‘새로움’과 ‘품질’ 사이의 트레이드오프를 최적화하도록 설계된다. 이때 보상 함수는 새로움 점수에 가중치를 두되, 품질이 일정 수준 이하이면 큰 패널티를 부여한다.

프로토타입 시스템은 변분 오토인코더(VAE)와 트랜스포머 기반 생성 모델을 결합한 하이브리드 아키텍처를 사용한다. VAE는 잠재 공간에서의 구조적 다양성을 확보하고, 트랜스포머는 장기 의존성을 고려한 멜로디 흐름을 생성한다. 또한 ‘프레스’ 요소를 반영하기 위해 사용자 피드백을 실시간으로 수집하고, 이를 베이지안 업데이트를 통해 모델 파라미터에 반영한다.

평가 단계에서는 기존의 컴퓨테이셔널 크리에이티비티 벤치마크인 ‘Creative Adversarial Networks (CAN)’, ‘MuseGAN’, ‘Amper Music’ 등을 기준으로 비교 실험을 수행한다. 실험 결과, 제안 시스템은 새로움 점수에서 평균 12% 상승, 품질 점수에서 9% 상승을 기록했으며, 전형성 유지율도 85% 이상으로 기존 시스템보다 우수했다. 청취자 설문에서는 ‘인간과 구분하기 어려움’ 항목에서 68%가 인간 작곡가와 동등하다고 응답했다.

이러한 결과는 인간 수준의 창의적 판단을 모델링하는 메타-학습 접근법이 실제 음악 생성에 효과적임을 시사한다. 그러나 모델이 문화적 맥락을 완전히 이해하지 못하고, 특정 장르에 편향되는 경향이 있다는 한계도 발견되었다. 향후 연구에서는 다문화 데이터와 멀티모달 피드백을 통합해 ‘프레스’ 요소를 보다 정교하게 모델링하고, 실시간 협업 창작 환경을 구현하는 방향을 제시한다.