اكتشاف خوارزميات تلقائية للكشف عن الموجات الجاذبية موجهة بخوارزمية بحث شجرة مونت كارلو التطورية المُستندة إلى نماذج اللغة الكبيرة

تستند الاكتشافات العلمية الحاسوبية بشكل متزايد إلى الخوارزميات لمعالجة البيانات المعقدة وتحديد الأنماط ذات المعنى، ومع ذلك تواجه تحديات مستمرة في التعرف على إشارات الموجات الجاذبية. وعلى الرغم من النجاح الجزئي الذي حققته النماذج الخوارزمية الحالية مثل التصفية المطابقة (MF) والشبكات العصبية العميقة (DNNs)، فإن حدودها تنبع مباشرة من قيود جوهرية: فتتطلب خوارزمية التصفية المطابقة متطلبات حسابية عالية جدًا بسبب اعتمادها على نماذج موجية نظرية محددة مسبقًا، بينما تُخفي البنية المغلقة للشبكات العصبية العميقة منطق اتخاذ القرار وتُدخل انحيازات خفية. نقترح إطارًا يُسمى بـ "البحث الشجري مونت كارلو التكاملي التطوري" (Evo-MCTS)، الذي يعالج هذه القيود من خلال استكشاف منهجي لفضاء الخوارزميات بقيادة قيود فيزيائية مُدركة للمجال. يجمع نهجنا بين البحث الهيكلي الشجري والتحسين التكاملي، مع استخدام مبادئ توجيهية من نماذج اللغة الكبيرة (LLMs) لإنشاء حلول خوارزمية قابلة للتفسير. أظهر إطارنا Evo-MCTS تحسينات كبيرة، حيث حقق تحسنًا بنسبة 20.2% مقارنةً بأفضل الخوارزميات الحالية في كشف الموجات الجاذبية على مجموعة بيانات التقييم MLGWSC-1. وتفوقت النسخ المُتميزة من الخوارزمية باستمرار على الحدود المحددة. كما يُنتج الإطار مسارات خوارزمية قابلة للتفهم من قبل البشر، تُظهر أنماط أداء مميزة. وبالإضافة إلى التحسينات في الأداء، اكتشف إطارنا تراكيب خوارزمية جديدة، مما يُسهم في ترسيخ منهجية قابلة للنقل للاكتشاف التلقائي للخوارزميات عبر مجالات العلم الحاسوبي المختلفة.