DM‑RNN: Quantensystem für musikalische Kontext‑ und Polyphonieanalyse

Ein neues Modell namens Density Matrix RNN (DM‑RNN) eröffnet die Möglichkeit, musikalische Ambiguität mathematisch exakt zu erfassen. Im Gegensatz zu klassischen Recurrent Neural Networks, die den musikalischen Kontext in einen deterministischen Zustandsvektor komprimieren, nutzt das DM‑RNN die Density Matrix. Dadurch kann das Netzwerk eine statistische Mischung verschiedener musikalischer Interpretationen – ein sogenanntes Mixed State – gleichzeitig darstellen und so sowohl klassische Wahrscheinlichkeiten als auch quantenmechanische Kohärenzen berücksichtigen.

Die zeitliche Dynamik des Modells wird dabei durch Quantum Channels, also vollständig positiv und trafo‑erhaltende (CPTP) Abbildungen, definiert. Um sicherzustellen, dass die Lernparameter stets physikalisch zulässig bleiben, setzt das DM‑RNN auf die Choi‑Jamiolkowski‑Isomorphie. Diese Parameterisierung garantiert, dass die erlernten Übergangsdynamiken von Anfang an CPTP sind und somit keine unphysikalischen Zustände erzeugen.

Zur Analyse der musikalischen Unsicherheit und der Interdependenzen zwischen Stimmen bietet das DM‑RNN ein analytisches Werkzeug: die Von‑Neumann‑Entropie misst die Unbestimmtheit eines Stückes, während die Quanten‑Mutual‑Information (QMI) die Stärke der Kopplung – also die „Verwicklung“ – zwischen verschiedenen Stimmen quantifiziert. Durch diese Kombination entsteht ein rigoroses, quanteninformatiertes Rahmenwerk, das komplexe, mehrdeutige musikalische Strukturen präzise modellieren kann.