Découverte algorithmique automatisée pour la détection des ondes gravitationnelles guidée par une recherche arborescente de Monte Carlo évolutionnaire informée par des modèles linguistiques
La découverte scientifique computationnelle s’appuie de plus en plus sur des algorithmes capables de traiter des données complexes et d’identifier des motifs significatifs — tout en faisant face à des défis persistants dans la détection des signaux d’ondes gravitationnelles. Bien que les approches algorithmiques existantes, telles que le filtrage corrélé (matched filtering, MF) et les réseaux de neurones profonds (DNNs), aient connu un certain succès partiel, leurs limites découlent directement de contraintes fondamentales : le MF exige des ressources computationnelles excessives en raison de sa dépendance aux modèles théoriques prédéfinis de formes d’onde, tandis que les architectures « boîte noire » des DNNs masquent la logique décisionnelle et introduisent des biais cachés. Nous proposons une méthode baptisée Evolutionary Monte Carlo Tree Search (Evo-MCTS), un cadre qui surmonte ces limites grâce à une exploration systématique de l’espace algorithmique guidée par des contraintes physiques spécifiques au domaine. Notre approche combine une recherche structurée en arbre, une optimisation évolutionnaire et des heuristiques issues de modèles de langage à grande échelle afin de générer des solutions algorithmiques interprétables. Le cadre Evo-MCTS démontre des améliorations substantielles, atteignant une progression de 20,2 % par rapport aux algorithmes de détection d’ondes gravitationnelles les plus avancés sur le jeu de données de référence MLGWSC-1. Des variantes algorithmiques hautement performantes dépassent de manière constante les seuils fixés. Le cadre produit des parcours algorithmiques interprétables par l’humain, mettant en évidence des profils de performance distincts. Au-delà des gains de performance, notre méthode découvre de nouvelles combinaisons algorithmiques, établissant ainsi une méthodologie transférable pour la découverte automatique d’algorithmes dans divers domaines de la science computationnelle.