Die computergestützte wissenschaftliche Entdeckung beruht zunehmend auf Algorithmen, die komplexe Daten verarbeiten und bedeutungsvolle Muster identifizieren – steht jedoch vor anhaltenden Herausforderungen bei der Erkennung von Gravitationswellensignalen. Obwohl bestehende algorithmische Ansätze wie die angepasste Filterung (matched filtering, MF) und tiefe neuronale Netze (deep neural networks, DNNs) teilweise erfolgreich waren, ergeben sich ihre Grenzen direkt aus grundlegenden Einschränkungen: Die hohe Rechenanforderung bei MF resultiert aus der Abhängigkeit von vordefinierten theoretischen Wellenformvorlagen, während die „Black-Box“-Architekturen von DNNs die Entscheidungslogik verschleiern und versteckte Bias-Phänomene hervorrufen können. Wir stellen Evolutionary Monte Carlo Tree Search (Evo-MCTS) vor, einen Rahmen, der diese Einschränkungen durch systematische Exploration des Algorithmusraums unter Berücksichtigung domänenspezifischer physikalischer Einschränkungen überwindet. Unser Ansatz kombiniert baumstrukturierte Suche mit evolutionärer Optimierung und Heuristiken von großen Sprachmodellen, um nachvollziehbare algorithmische Lösungen zu generieren. Das Evo-MCTS-Framework zeigt erhebliche Verbesserungen und erreicht auf dem Benchmark-Datensatz MLGWSC-1 eine Steigerung um 20,2 % gegenüber den derzeit fortschrittlichsten Algorithmen zur Gravitationswellendetektion. Hochperformante Algorithmusvarianten überschreiten konsistent die Schwelle für signifikante Leistungssteigerung. Der Rahmen generiert menschenlesbare algorithmische Pfade, die unterschiedliche Leistungsprofile offenlegen. Abgesehen von der verbesserten Detektionsleistung entdeckt unser Ansatz zudem neuartige Kombinationen von Algorithmen und etabliert somit eine übertragbare Methodologie für die automatisierte algorithmische Entdeckung in verschiedenen Bereichen der computergestützten Wissenschaft.