Synesthetic Music Composer — IA Generativa para Composición Musical

El contexto

Durante mi maestría en Tecnología de Cómputo (especialidad en Inteligencia Artificial) en CIDETEC-IPN, investigué la intersección entre inteligencia computacional y creatividad musical. La hipótesis: que un sistema híbrido de algoritmos evolutivos podía generar composiciones musicales coherentes a partir del mapeo sinestésico entre color y sonido.

El reto técnico

Modelar la creatividad musical como un problema de optimización sin caer en la aleatoriedad. Había que diseñar una función de aptitud que capturara reglas de armonía, ritmo y progresión melódica, y al mismo tiempo permitiera piezas originales — no pastiches. Todo mientras se respetaba el mapeo sinestésico color → nota como semilla generativa.

La solución

Pipeline de composición basado en algoritmos genéticos con operadores especializados de cruza y mutación sobre secuencias MIDI. Cada cromosoma representa una frase musical candidata. La función de aptitud combina reglas de teoría musical (intervalos consonantes, progresiones armónicas, contorno melódico) con restricciones derivadas del input sinestésico (espectro de color → escala tonal). Red neuronal auxiliar para evaluar coherencia estilística sobre un corpus de entrenamiento.

Decisiones clave

• →Modelar la música como un espacio de búsqueda genético, no como predicción secuencial — permite diversidad real en la salida.
• →Usar sinestesia (color → tono) como semilla creativa en lugar de prompts textuales, inspirado en compositores como Scriabin.
• →Función de aptitud híbrida: reglas formales de teoría musical + red neuronal entrenada sobre corpus estilístico.
• →Publicar el trabajo en Research in Computing Science para someter el método a revisión académica.

Resultados

Tesis defendida con Mención Honorífica en CIDETEC-IPN (2019). Publicación indexada en Research in Computing Science vol. 147(12), 233-242 (2018) en coautoría con Y. Villuendas-Rey y O. C. Nieto. El sistema produce piezas MIDI originales que han sido evaluadas cualitativamente como musicalmente coherentes.

Mi rol

Investigador principal y autor de la tesis. Diseñé el modelo completo, implementé el sistema en Python, corrí los experimentos y escribí el paper. Dirigido por los asesores Y. Villuendas-Rey y O. C. Nieto del CIDETEC-IPN.

Lo que aprendí

La creatividad computacional no se resuelve escalando parámetros — se resuelve entendiendo qué hace bella a una pieza. Modelar reglas musicales explícitamente, en lugar de delegar todo a una red profunda, me enseñó que el sesgo inductivo bien elegido vale más que el tamaño del modelo.