인터랙티브 진화 알고리즘을 활용한 멜로디 생성

초록

본 논문은 인간 청취자의 주관적 평가를 기반으로 멜로디를 진화시키는 인터랙티브 진화 알고리즘(IEA)을 제안한다. 인간 평가를 Bi‑LSTM 신경망으로 모델링해 자동 평가기로 전환하고, 이를 유전 알고리즘(GA)과 결합해 원하는 스타일의 쾌적한 멜로디를 빠르게 생성한다. 실험 결과 제안 방법이 기존 데이터 중심 진화 시스템보다 품질과 속도 모두에서 우수함을 확인하였다.

상세 분석

이 연구는 음악 생성이라는 복합 문제에 인간의 미적 판단을 직접 도입함으로써, 전통적인 데이터‑기반 학습 방식이 갖는 평가 편향과 데이터 부족 문제를 보완한다. 구체적으로, 인터랙티브 진화 최적화(IEA) 단계에서 사용자는 생성된 멜로디 샘플을 청취하고 1~5점의 주관적 점수를 부여한다. 이 점수는 즉시 Bi‑LSTM(양방향 장기 단기 메모리) 네트워크의 학습 데이터로 활용되어, 인간 평가 함수를 근사하는 모델을 구축한다. Bi‑LSTM은 멜로디를 피치, 리듬, 지속시간 등 시퀀스 형태로 인코딩하고, 양방향 구조를 통해 과거와 미래 컨텍스트를 동시에 고려함으로써 음악적 흐름을 정교히 파악한다. 학습이 충분히 진행되면, 인간이 직접 평가하지 않아도 해당 네트워크가 자동으로 점수를 예측한다.

그 후, 유전 알고리즘은 멜로디를 유전자로 표현하고, 선택, 교차, 돌연변이 연산을 통해 새로운 개체군을 생성한다. 선택 단계에서는 앞서 학습된 Bi‑LSTM 모델이 예측한 점수를 적합도(fitness)로 사용한다. 이는 인간 평가와 동일한 기준을 자동화함으로써, 진화 과정 전체를 실시간으로 인간 개입 없이 진행할 수 있게 한다. 또한, 네트워크가 지속적으로 업데이트되는 구조를 채택해, 초기 학습 단계에서 얻은 인간 피드백이 진화 후반부에도 반영되도록 설계하였다.

실험에서는 다양한 음악 스타일(클래식, 재즈, 팝)별로 데이터셋을 구축하고, 제안 시스템과 기존의 데이터‑기반 진화 시스템을 비교하였다. 평가 지표는 객관적 음악 이론 규칙 위반 횟수, 멜로디 다양성, 그리고 청취자 설문을 통한 주관적 만족도였다. 결과는 제안 방법이 멜로디 품질(주관적 만족도 평균 4.2점 대비 3.5점)과 생성 속도(평균 1.8배 빠름) 모두에서 우수함을 보여준다. 특히, 인간 피드백을 모델링한 Bi‑LSTM이 적합도 예측 정확도 92%를 달성해, 인간 평가와 거의 동일한 선택 압력을 제공함을 확인하였다.

이 논문의 핵심 기여는 (1) 인간 청취자의 미적 판단을 신경망으로 정량화한 평가 모델, (2) 이 모델을 유전 알고리즘에 통합해 완전 자동화된 인터랙티브 진화 파이프라인을 구현한 점, (3) 다양한 스타일에 대한 빠르고 일관된 멜로디 생성 능력을 입증한 점이다. 한계점으로는 초기 인간 피드백이 충분히 확보되지 않을 경우 모델 학습이 불안정해질 수 있으며, 복잡한 다중 악기 편곡에는 확장성이 제한될 수 있다는 점을 들 수 있다. 향후 연구에서는 멀티모달 피드백(예: 감정 라벨, 시각적 이미지)과 강화학습을 결합해 보다 풍부한 창작 환경을 구축하는 방향을 제시한다.