要約
計算科学の発見は、複雑なデータを処理し有意義なパターンを同定するため、アルゴリズムにますます依存している。しかし、重力波信号の識別においては、依然として根深い課題が存在する。既存のアルゴリズム的手法であるマッチドフィルタリング（MF）や深層ニューラルネットワーク（DNN）は部分的な成功を収めているものの、その限界は根本的な制約に起因している。MFは、あらかじめ定義された理論的波形テンプレートに依存するため、計算量が過剰となる一方、DNNはブラックボックス型のアーキテクチャにより意思決定の論理が不明確になり、潜在的なバイアスが導入される。本研究では、ドメインに特化した物理的制約を基にしたアルゴリズム空間の体系的探索によって、これらの限界を克服する「進化的モンテカルロ木探索（Evo-MCTS）」というフレームワークを提案する。本手法は、木構造型探索と進化的最適化、および大規模言語モデル（LLM）を用いたヒューリスティクスを統合することで、解釈可能なアルゴリズム的解決策を構築する。Evo-MCTSフレームワークは、MLGWSC-1ベンチマークデータセットにおいて、最先端の重力波検出アルゴリズムに対して20.2%の顕著な性能向上を達成した。高性能なアルゴリズムのバリエーションは一貫して閾値を上回る結果を示した。また、本フレームワークは人間が理解可能なアルゴリズム的経路を生成し、異なる性能パターンを明らかにした。性能の向上に加え、本フレームワークは新たなアルゴリズムの組み合わせを発見したことで、計算科学の各分野における自動化されたアルゴリズム発見の再利用可能なアプローチを確立した。