يستكشف هذا البحث نمذجة الموسيقى البوليفرنية التسلسلية باستخدام الشبكات العصبية العميقة. بينما ركزت الإنجازات الحديثة على هندسة الشبكة، نثبت أن تمثيل التسلسل يمكن أن يساهم بشكل ملحوظ في أداء النموذج، كما يقيس ذلك خسارة مجموعة التحقق. من خلال استخراج الخصائص البارزة المتأصلة في مجموعة البيانات التدريبية، يمكن تكييف النموذج بهذه الخصائص أو تدريبه للتنبؤ بها كمكونات إضافية للتسلسلات التي يتم نمذجتها. نوضح أن تدريب شبكة عصبية للتنبؤ بتسلسل يبدو أكثر تعقيدًا، مع تضمين خصائص إضافية في السلسلة التي يتم نمذجتها، يمكن أن يحسن أداء النموذج بشكل كبير. نقدم أولاً TonicNet (نطونيك نت)، وهو نموذج يستند إلى GRU (شبكة الذاكرة القصيرة طويلة الأمد) ويتم تدريبه لتنبؤ الوتر في خطوة زمنية معينة قبل التنبؤ بألحان كل صوت في تلك الخطوة الزمنية، على عكس النهج التقليدي الذي يقتصر على التنبؤ بالألحان فقط. ثم نقيم TonicNet على مجموعة بيانات JSB Chorales (كورالات جيه أس بي) القياسية ونحصل على أفضل النتائج الحالية.