摘要
计算科学发现日益依赖算法来处理复杂数据并识别有意义的模式，但在引力波信号识别方面仍面临持续挑战。尽管现有的算法方法，如匹配滤波（Matched Filtering, MF）和深度神经网络（Deep Neural Networks, DNNs）已取得部分成功，但其局限性根源在于根本性瓶颈：匹配滤波因依赖预定义的理论波形模板，导致计算开销过大；而深度神经网络的“黑箱”结构则模糊了决策逻辑，引入了难以察觉的偏见。为此，我们提出进化蒙特卡洛树搜索（Evolutionary Monte Carlo Tree Search, Evo-MCTS）框架，通过融合领域感知的物理约束，系统性地探索算法空间，以克服上述局限。该方法结合树状结构搜索、进化优化与大语言模型启发式策略，生成具有可解释性的算法解决方案。在MLGWSC-1基准数据集上的实验表明，Evo-MCTS框架相较于当前最先进的引力波探测算法，性能提升达20.2%。高性能算法变体在多次测试中均稳定超越预设阈值。该框架还能生成人类可理解的算法路径，揭示出显著不同的性能演化模式。除显著提升检测性能外，该框架还发现了全新的算法组合，从而为计算科学各领域中的自动化算法发现提供了一种可迁移的方法论。