Neural network approaches to guitar amplifier and effect modeling: A review on control parameter integration methods

Abstract

Digital modeling of guitar amplifiers presents significant challenges due to the complex non-linear behavior of analog circuits and the need to capture parameter-dependent characteristics. This bachelor's thesis is conducted as a literature review and explores neural network-based modeling approaches for guitar amplifiers and audio effects, with a particular emphasis on methods for integrating controllable parameters, such as gain, volume, and tone controls. Three main conditioning techniques are examined: direct conditioning, Feature-wise Linear Modulation (FiLM), and hyper networks. Direct conditioning concatenates the parameter information with the input signal, FiLM scales and shifts the intermediate network features via an affine transformation, and hyper networks utilize a separate neural network to generate parameter values for the main processing network. Direct conditioning offers simplicity and efficiency but may lack in modeling accuracy, while FiLM and hyper networks provide more expressive control at the cost of increased complexity. Results indicate that recurrent architectures can achieve high parameter efficiency and convincing accuracy with minimal computational resources if implemented correctly. Convolutional approaches can achieve real-time performance through parallel computation and by making modifications to the architecture. The review demonstrates that neural network-based controllable amplifier models can achieve high subjective quality, while addressing the scalability issue of traditional static models. However, challenges remain in achieving simultaneous real-time performance, sufficient accuracy, and data efficiency.

Kitaravahvistimien digitaalinen mallintaminen on keskeinen tutkimusalue musiikkiteknologiassa. Vahvistimien epälineaaristen komponenttien monimutkainen käyttäytyminen ja tämän vaikutukset syntyvään ääneen tekevät niiden tarkasta emuloinnista erittäin haastavaa. Tässä kandidaatintutkielmassa tarkastellaan kirjallisuudessa esitettyjä neuroverkkoihin perustuvia vahvistinmalleja ja erityisesti säädettävien kontrolliparametrien toteuttamistapoja kyseisiin malleihin. Työ rajautuu tarkastelemaan mustan laatikon mallinnusmenetelmiä sekä kolmea erilaista ehdollistamistekniikkaa.

Työ toteutetaan kirjallisuustutkimuksena, jossa vertaillaan erilaisia neuroverkkoarkkitehtuureita, kuten takaisinkytkettyjä verkkoja, konvoluutioverkkoja sekä näiden variaatioita. Kontrolliparametriohjauksen toteuttamiseen tarkastellaan kolmea menetelmää: suoraa ehdollistamista, Feature-wise Linear Modulation -tekniikkaa (FiLM) ja hyperverkkoja. Suorassa ehdollistamisessa parametriarvot syötetään neuroverkkoon sisääntulosignaalin yhteydessä, FiLM-tekniikassa moduloidaan verkon aktivaatioita affiinikuvauksilla ja hyperverkkoja hyödynnettäessä erillinen neuroverkko tuottaa parametriarvoja pääverkolle.

Tutkimustulosten perusteella neuroverkkopohjaiset parametriohjattavat kitaravahvistinmallit voivat saavuttaa korkean subjektiivisen tason. Takaisinkytketyistä verkoista Long Short-Term Memory (LSTM)- ja Gated Recurrent Unit (GRU) -mallit osoittautuivat parametritehokkaiksi, kun taas konvoluutiopohjaiset Temporal Convolutional Networks (TCN) -arkkitehtuurit saavuttivat helpommin reaaliaikaisen suorituksen rinnakkaislaskennan ansiosta. Suoran ehdollistamisen eduiksi osoittautuivat helppo toteutus ja parametritehokkuus, kuitenkin mallinnustarkkuutta rajoittaen. FiLM-tekniikka ja hyperverkot puolestaan mahdollistavat hyvinkin tarkan ehdollistamisen, mutta parametrien lukumäärä voi nousta äkillisesti.

Neuroverkot tarjoavat joustavan ja tehokkaan lähestymistavan kitaravahvistimien mallintamiseen. Parametriohjauksen sisällyttäminen malleihin ratkaisee perinteisen lähestymistavan skaalautuvuusongelman, jossa jokainen säätöyhdistelmä vaatisi erillisen mallin. Parametriohjattavat mallit ovat kehittyneitä, mutta haasteena on saavuttaa samanaikaisesti reaaliaikainen suorituskyky, riittävä tarkkuus, sekä tarpeeksi matala mallin opetusaika ja tarvittava opetusdatan määrä. Jatkotutkimuksissa tulisi keskittyä mallien yleistämiskykyyn ja reaaliaikaiseen suorituskykyyn.