본 논문은 과학적 컴퓨팅 분야에서 자동 알고리즘 발견의 어려움을 해결하기 위해, 대규모 언어 모델(LLM)과 트리 구조 진화 탐색을 통합한 Evo-MCTS(Evolutionary Monte Carlo Tree Search) 프레임워크를 제시한다. Evo-MCTS는 LLM의 도메인 지식을 활용한 코드 합성, 구조화된 코드 표현에 대한 다중 스케일 진화 연산, 트리 기반 탐색을 통해 해석 가능한 알고리즘 경로를 생성한다. 중력파 감지 분야에서 Evo-MCTS는 기존 도메인 특정 방법보다 20.2%, LLM 기반 최적화 프레임워크보다 59.1% 향상된 성능을 보였다. 이는 Evo-MCTS가 여러 기능적 구성 요소를 통합하는 해석 가능한 알고리즘 구조로 일관되게 수렴할 수 있기 때문이다. 본 연구는 알고리즘의 투명성과 물리적 타당성이 성능 최적화만큼 중요한 과학적 컴퓨팅에서 자동 알고리즘 발견을 위한 일반화 가능한 방법론을 제시한다.
