用量子密度矩阵建模音乐模糊性，更真实捕捉多声部音乐的不确定性。
Density Matrix RNN (DM-RNN): A Quantum Information Theoretic Framework for Modeling Musical Context and Polyphony
- 用密度矩阵替代传统RNN的确定状态，表示音乐的多种可能解释。
- 通过冯诺依曼熵量化音乐不确定性，用量子互信息衡量声部间纠缠。
- 适合研究音乐复杂结构与不确定性建模的研究者，尤其关注跨声部关系。
经典循环神经网络将音乐上下文压缩为确定性隐藏状态，造成信息瓶颈，难以捕捉音乐固有的模糊性。本文提出密度矩阵循环神经网络（DM-RNN），基于密度矩阵构建新型理论架构，使模型能维持音乐解释的统计系综（混合态），同时捕获经典概率与量子相干性。我们严格使用量子通道（CPTP映射）定义时间动态，并基于乔伊-雅米奥尔科夫斯基同构设计参数化策略，确保学习到的动力学始终满足物理有效性（即CPTP）。引入冯诺依曼熵分析音乐不确定性，以及量子互信息（QMI）度量声部间的纠缠关系。该框架为建模复杂、模糊的音乐结构提供了数学严谨性支持。
原文摘要 · Abstract (English)
Classical Recurrent Neural Networks (RNNs) summarize musical context into a deterministic hidden state vector, imposing an information bottleneck that fails to capture the inherent ambiguity in music. We propose the Density Matrix RNN (DM-RNN), a novel theoretical architecture utilizing the Density Matrix. This allows the model to maintain a statistical ensemble of musical interpretations (a mixed state), capturing both classical probabilities and quantum coherences. We rigorously define the temporal dynamics using Quantum Channels (CPTP maps). Crucially, we detail a parameterization strategy based on the Choi-Jamiolkowski isomorphism, ensuring the learned dynamics remain physically valid (CPTP) by construction. We introduce an analytical framework using Von Neumann Entropy to quantify musical uncertainty and Quantum Mutual Information (QMI) to measure entanglement between voices. The DM-RNN provides a mathematically rigorous framework for modeling complex, ambiguous musical structures.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。