使用牛顿-拉夫逊方法对模拟电平放大器进行声音匹配

通过数字信号处理算法进行自动微分以实现虚拟模拟建模，近期已变得流行。这些算法通常比依赖密集矩阵乘法的黑盒神经网络计算效率更高。由于其可微分的特性，它们可以与神经网络集成，并使用梯度下降算法进行联合训练，从而产生更高效的系统。此外，信号处理算法的参数远少于神经网络，这使得可以应用牛顿-拉夫逊方法。该方法以二次方存储为代价，提供了比梯度下降更快、更稳健的收敛速度。本文提出了一种使用前馈数字压缩器来仿真模拟电平放大器的方法，其参数通过牛顿-拉夫逊方法进行优化。我们证明，数字压缩器可以成功逼近我们的目标设备 Teletronix LA-2A 的行为。我们对计算海森矩阵的不同策略进行了基准测试。我们利用递归滤波器的并行算法在现代 GPU 上实现高效训练。所得模型已制作成 VST 插件，并在 https://github.com/aim-qmul/4a2a 开源。