Detrás del telón del Intelligent Circuit Modeling de GUITAR RIG 6

Si te interesa un poco la tecnología, sin duda estarás al tanto del impacto reciente del machine learning. Desde alertas de tráfico hasta traducciones, una amplia gama de herramientas impulsadas por IA están redefiniendo rápidamente lo que es posible en un amplio espectro de industrias.

La creación musical, sin embargo, a menudo se ha resistido un poco a la adopción generalizada de nuevos cambios tecnológicos; considera el debate “analógico vs. digital” que hace estragos entre los productores de música (y particularmente entre aquellos que tocan la guitarra) hasta el día de hoy. Aunque el mercado está inundado de versiones digitales de circuitos analógicos, muchos gear heads argumentan que pocas de estas recreaciones pueden pretender recrear la calidez y el carácter de sus contrapartes de hardware.

Construido por los ingenieros de software, Boris Kuznetsov, Fabián Esqueda y Julian Parker, Intelligent Circuit Modeling representa la intersección algo improbable de estas dos áreas. Es una técnica en la cual las redes neuronales artificiales se entrenan para producir algoritmos que representan el funcionamiento interno del hardware analógico con gran detalle.

El reciente lanzamiento de GUITAR RIG 6 PRO presentó Bass Invader, Chicago y Fire Breather, los primeros amplificadores construidos con la nueva tecnología, por lo que nos reunimos con el equipo de desarrollo para obtener más información al respecto.

El pasado

Para apreciar completamente lo que hace que la técnica ICM sea tan especial, es útil observar algunos métodos de modelado de circuitos más tradicionales. Éstos se pueden agrupar aproximadamente en dos categorías, “caja negra” y “caja blanca”.

“La idea de un modelo de circuito de caja negra es que sólo te preocupas por las entradas y las salidas, en lugar de lo que sucede en el medio”, explica Julian. “Su objetivo es reproducir la forma en que se ve afectado un sonido, sin preocuparse por el mecanismo real que produce ese efecto.”

Fabián agrega, “puedes construir aproximaciones de los diferentes elementos que componen el circuito dentro del amplificador, como un preamplificador, algo de distorsión de bulbos y tal vez algo de filtrado, por ejemplo, y luego combinarlos. El problema es que realmente no captas la forma en que esos diferentes componentes interactúan entre sí.”

Todos los controles de tono, bulbos y otras partes que componen un amplificador de hardware tienen relaciones físicas entre sí que son clave para el carácter único general del amplificador. Estas relaciones evolucionan y cambian continuamente, según el tipo de sonido que se esté reproduciendo y cómo se configuren los diferentes controles del amplificador. Es muy difícil replicar esas relaciones y comportamientos en detalle, lo que significa que se pueden perder elementos cruciales del sonido.

“El modelado de ‘caja blanca’ es lo contrario”, continúa Julian. “Está totalmente enfocado en replicar un proceso, lo que requiere una comprensión mucho más profunda del mecanismo detrás de él. Pero hacer una simulación de circuito completo de un amplificador de guitarra de manera tradicional implica un gran trabajo increíblemente especializado. Puede llevar muchos meses.”

Además, como señala Fabian, la teoría y los esquemas no siempre cuentan la historia completa de cómo suena el equipo de hardware. “Incluso una vez que hayas establecido todas las matemáticas, las ecuaciones que muestran cómo se ha diseñado un amplificador no siempre describen todo sobre cómo suena. Dos sintetizadores analógicos de la misma marca y modelo aún pueden tener sus propios caracteres ligeramente diferentes, aunque tengan un diseño idéntico. Ésa es la belleza del hardware.”

Julian lo expresa de manera simple: “Cuando se habla de cosas como bulbos, los modelos matemáticos por sí mismos no siempre son lo suficientemente buenos.”

Así que, de cualquier manera que lo hagas, las formas tradicionales de modelado de circuitos simplemente no van al grano cuando se trata de capturar las características que hacen que una pieza de equipo analógico sea única. Bienvenido al Intelligent Circuit Modeling.

El presente

“El desarrollo de ICM comenzó a fines de 2017, cuando estábamos trabajando en DIRT, de la serie de efectos CRUSH PACK”, explica Julian. “El proceso de modelado del circuito, que fue la inspiración para DIRT, involucró esta ecuación matemática particularmente engañosa que no pudimos resolver directamente. Como suele suceder, para avanzar tuvimos que iterar; en otras palabras, hacer una suposición informada sobre la respuesta al acertijo y seguir refinando esa suposición hasta obtener algo que funcionó. Aquí es cuando se nos ocurrió la idea de entrenar un sistema de machine learning para que hiciera ese proceso por nosotros.

“A partir de ahí, desarrollamos la técnica para modelar ecuaciones completas y, finalmente, circuitos completos”, continúa Fabián. “En ese momento nos dimos cuenta de que estábamos haciendo algo realmente innovador, así que decidimos publicar el trabajo oficialmente y solicitar una patente al mismo tiempo.”

El equipo publicó su investigación en septiembre de 2019, en la 22a. Conferencia Internacional sobre Efectos de Audio Digitales en Birmingham, Reino Unido. Aquellos con una disposición científica pueden acceder a sus hallazgos completos en este artículo académico. (ADVERTENCIA: Contiene matemáticas complejas.)

El enfoque original de la investigación académica fue la emulación de un filtro de sintetizador y algunas unidades de distorsión, pero una vez que el impulso de GUITAR RIG 6 PRO comenzó a crecer, tuvo sentido aplicar la nueva tecnología a los amplificadores de guitarra. El proyecto continuó en 2020, las cosas podrían haberse detenido por la pandemia de Coronavirus, pero Boris construyó un laboratorio en su apartamento para que el trabajo pudiera continuar, cediendo su espacio vital a los bulbos, capacitores y cables de varios amplificadores desarmados clásicos y de boutique.

“Boris fue el verdadero héroe durante ese tiempo”, dice Fabián. “Hizo muchas de las mediciones por su cuenta mientras todos estábamos encerrados. Sin eso, no habría forma de que hubiéramos completado el proyecto a tiempo para el lanzamiento.”

Boris explica algo más sobre el proceso: “Puedes pensar en ello como ir del punto A al punto B en un mapa. Sabes desde dónde estás comenzando y hacia dónde quieres ir, pero aún no estás seguro de los lugares por los que pasarás en el viaje. Así que, además de la entrada y la salida de un amplificador, también realizamos mediciones eléctricas en varios puntos clave dentro de él, que se denominan estados. Estos estados son un poco como esos puntos faltantes en el mapa y nos dicen todo lo que necesitamos saber sobre la dinámica del sistema eléctrico en general.

“Colocamos sondas y dispositivos de medición en amplificadores de alto voltaje para recopilar una gran cantidad de datos: datos de entrada, datos de estado y datos de salida”, agrega Fabián. “Una vez que tenemos todas esas mediciones, las alimentamos a la red neuronal artificial que hemos diseñado. Como ya sabemos que las medidas que hemos tomado deben producir una determinada salida, el software puede buscar un algoritmo que se ajuste a todos los valores. Para empezar, lo hace adivinando y, aunque es casi seguro que adivinará mal al principio, sigue refinando hasta que se acerca cada vez más. Con el tiempo llega a la solución que podemos utilizar para modelar el amplificador.”

Gracias a la velocidad de las unidades modernas de procesamiento de gráficos, el programa que el equipo ha construido puede verificar miles de posibles soluciones al mismo tiempo, en una fracción de segundo. Dado que la red neuronal tarda un par de semanas en generar el algoritmo final para cada amplificador, estamos hablando de una enorme cantidad de trabajo. El desarrollo del machine learning como herramienta comenzó en la década de 1950, pero sólo en los últimos años las computadoras se han vuelto lo suficientemente potentes como para hacer posible este proceso.

Fabian explica: “Aunque ha habido mucha investigación sobre emulaciones de circuitos analógicos a lo largo de los años, es sólo muy recientemente que el machine learning ha comenzado a convertirse en un gran tema en nuestro dominio, por lo que para nosotros fue un caso de estar en el lugar correcto en el momento adecuado.”

Entonces, ¿cómo afecta ICM al sonido de los amplificadores? Julian interviene en la pregunta más importante: “Las técnicas de modelado más antiguas aún requerirían un proceso extenso de ajustes y ajustes para que las cosas suenen bien. El algoritmo con el que el sistema de machine learning surge es tan preciso que ya no es necesario que hagamos eso. Ésa es la gran diferencia.

“De hecho, la red neuronal seleccionará aspectos del carácter del amplificador que tal vez no nos percatemos”, añade. “Incluso hemos encontrado ‘problemas’ con nuestras emulaciones de amplificador, como la retroalimentación en ciertas frecuencias, por ejemplo, sólo para descubrir que el amplificador real hace lo mismo. No hay forma de que programemos algo así a propósito, y la realidad es que habrá cientos de otras imperfecciones similares que el algoritmo detecte.”

Como observa Julian, se puede decir que son estas características impredecibles las que crean la verdadera magia de los equipos analógicos. “Cuando un equipo reacciona de una manera interesante a algo para lo que no fue diseñado, suele ser cuando las cosas comienzan a ponerse emocionantes.”

En otras palabras, ICM recoge toda la deliciosa calidez, el golpe agresivo, el carácter distintivo y demás que esperamos de los amplificadores de guitarra de hardware clásicos, y lo recrea con un nivel de precisión sin precedentes.

El futuro

GUITAR RIG 6 PRO ya está disponible con tres nuevos amplificadores que se han modelado utilizando ICM, pero en lugar de ser la conclusión del proyecto, es simplemente el comienzo de una nueva serie de emulaciones de alta calidad.

“Como no tenemos que hacer todos los cálculos y ajustes nosotros mismos, podemos medir otros amplificadores y circuitos mientras la red neuronal hace lo suyo”, señala Fabian. “Esto significa que podemos tener muchos más amplificadores en proyecto que antes, lo que es realmente emocionante para los usuarios de GUITAR RIG 6 PRO.”

“Tampoco queremos sólo hacer amplificadores de guitarra”, revela Julian. “Estamos trabajando en un nuevo amplificador en este momento, pero después de eso probablemente vamos a hacer un par de pedales de distorsión y, en el futuro, buscaremos filtros de sintetizador, compresores, ecualizadores, preamplificadores… y cualquier otra cosa cosa que suene genial.”

Más allá de eso, ICM no es el límite de lo que el equipo puede hacer con un enfoque de machine learning. Aunque ha sido increíblemente eficaz hasta ahora para permitir emulaciones digitales de equipos analógicos muy buscados, los principios fundamentales detrás de la tecnología que el equipo ha desarrollado se pueden aplicar en muchos otros contextos. Fabián presenta una visión audaz para el futuro: “Realmente, esto es sólo el inicio. Hemos adquirido muchas habilidades y conocimientos durante el desarrollo de esta técnica. En el futuro, tenemos el potencial para llevar esto a otros productos de NI.”

Mira este espacio.

Más información sobre GUITAR RIG 6 PRO