본 논문은 동적 검출기 노이즈에 묻힌 알려지지 않은 소스 매개변수를 가진 중력파 신호 탐지를 위한 새로운 방법론인 진화형 몬테 카를로 트리 탐색(Evo-MCTS)을 제안합니다. Evo-MCTS는 대규모 언어 모델(LLM)의 지침과 도메인 인식 물리적 제약 조건을 통합하여 알고리즘 솔루션 공간을 체계적으로 탐색합니다. MCTS를 사용한 전략적 탐색과 진화 알고리즘을 통한 솔루션 개선을 결합하고, LLM은 명시적인 알고리즘 경로 생성을 통해 도메인 인식 휴리스틱을 제공하면서 해석 가능성을 유지합니다. MLGWSC-1 벤치마크 데이터셋에서 기존 최고 성능의 중력파 검출 알고리즘보다 20.2% 향상된 성능을 보였고, 다른 LLM 기반 알고리즘 최적화 프레임워크보다 59.1% 향상된 성능을 달성했습니다. 이 프레임워크는 계산 과학 분야 전반에 걸쳐 자동화된 알고리즘 발견을 위한 전이 가능한 방법론을 제시합니다.
