2020. aastal digitaliseeritakse siin muusikategemist üha enam, kuid mõnda analoogheliefekti on sellisel viisil siiski väga raske taasesitada. Üks neist efektidest on selline krigisev kitarrimoonutus, mida rokijumalad kõikjal eelistavad. Seni on neid kitarrivõimendeid hõlmavaid efekte olnud peaaegu võimatu digitaalselt uuesti luua.
See on nüüdseks muutunud tänu Soome Aalto ülikooli signaalitöötluse ja akustika osakonna teadlaste tööle. Süvaõppe tehisintellekti (A.I.) kasutades on nad loonud kitarri jaoks närvivõrgu moonutuste modelleerimine, mis võib esimest korda panna pimetesti kuulajad arvama, et see on ehtne artiklit. Mõelge sellele nagu a Turingi test, väntas kuni Spınal Tap stiilis 11.
Soovitatavad videod
"Heliuurijate üldine arvamus on olnud aastakümneid, et torukitarri võimendite moonutatud heli täpne jäljendamine on väga keeruline." Professor Vesa Välimäki ütles Digital Trendsile. "Üks põhjus on see, et moonutus on seotud dünaamilise mittelineaarse käitumisega, mida on teadaolevalt raske isegi teoreetiliselt simuleerida. Teine põhjus võib olla see, et moonutatud kitarrihelid on muusikas tavaliselt üsna tugevad, nii et probleeme on raske varjata; kõik ebatäpsused on väga märgatavad.
Närvivõrgu treenimiseks mitmesuguste moonutusefektide taasloomiseks on vaja vaid mõni minut sihtvõimendist salvestatud heli. Teadlased kasutasid elektrikitarrist salvestatud "puhast" heli kajatu kamberja seejärel käivitas selle läbi võimendi. See andis nii sisendi veatu kitarriheli kujul kui ka väljundi vastava "siht" kitarrivõimendi väljundina.
"Treening toimub nii, et närvivõrku antakse lühike osa puhtast kitarrihelist ja võrreldakse võrgu väljundit "sihtvõimendi" väljund, " ütles Digital Trendsile helitöötlusele keskendunud doktorant Alec Wright. "See võrdlus tehakse "kaotusfunktsioonis", mis on lihtsalt võrrand, mis näitab, kui kaugele närvivõrgu väljund pärineb sihtväljundist või kui "vale" on närvivõrgu mudeli ennustus oli. Võti on protsess, mida nimetatakse "gradiendi laskumiseks", mille käigus saate arvutada, kuidas närvivõrke reguleerida parameetreid väga vähe, nii et närvivõrgu ennustus on sihtvõimendi omale veidi lähemal väljund. Seejärel korratakse seda protsessi tuhandeid kordi - või mõnikord palju rohkem -, kuni närvivõrgu väljund lakkab paranemast.
Saate vaadata A.I. demot. tegevuses aadressil research.spa.aalto.fi/publikatsioonid/paberid/applsci-sügav/. Tööd kirjeldav paber oli avaldati hiljuti ajakirjas Applied Sciences.
Toimetajate soovitused
- Optilised illusioonid võivad aidata meil luua järgmise põlvkonna tehisintellekti
- Analoog A.I? See kõlab hullumeelselt, kuid see võib olla tulevik
- Nvidia uusim A.I. tulemused näitavad, et ARM on andmekeskuse jaoks valmis
- Nvidia alandab A.I-sse sisenemise barjääri. Fleet Command ja LaunchPad
- Kas A.I. mikrokiipide projekteerimisel iniminsenere üle lüüa? Google arvab nii
Uuendage oma elustiiliDigitaalsed suundumused aitavad lugejatel hoida silma peal kiirel tehnikamaailmal kõigi viimaste uudiste, lõbusate tooteülevaadete, sisukate juhtkirjade ja ainulaadsete lühiülevaadetega.
