계산 과학적 발견은 점점 더 복잡한 데이터를 처리하고 의미 있는 패턴을 식별하기 위해 알고리즘에 의존하고 있으나, 중력파 신호 식별 측면에서 여전히 지속적인 도전에 직면해 있다. 기존의 알고리즘 접근 방식인 매칭 필터링(Matched Filtering, MF)과 심층 신경망(Deep Neural Networks, DNNs)은 부분적인 성공을 거두었으나, 그 한계는 근본적인 제약에서 비롯된다. MF는 사전에 정의된 이론적 파형 템플릿에 의존하기 때문에 과도한 계산 부담을 초래하며, DNN은 투명하지 않은 '블랙박스' 구조로 인해 의사결정 로직이 모호해지고 숨겨진 편향이 발생할 수 있다. 본 연구에서는 도메인 지식을 반영한 물리적 제약 조건을 기반으로 알고리즘 공간을 체계적으로 탐색함으로써 이러한 한계를 극복하는 '진화적 몬테카를로 트리 탐색(Evolutionary Monte Carlo Tree Search, Evo-MCTS)' 프레임워크를 제안한다. 본 방법은 트리 구조 탐색, 진화 최적화 및 대규모 언어 모델 기반 휴리스틱을 결합하여 해석 가능한 알고리즘 솔루션을 생성한다. 제안한 Evo-MCTS 프레임워크는 MLGWSC-1 벤치마크 데이터셋에서 최첨단 중력파 탐지 알고리즘 대비 20.2%의 성능 향상을 달성하며, 뛰어난 성능을 보이는 알고리즘 변형들은 일관되게 기준을 초과한다. 이 프레임워크는 인간이 이해할 수 있는 알고리즘 경로를 생성하여 각각의 성능 패턴을 명확히 드러낸다. 성능 향상 외에도, 본 프레임워크는 새로운 알고리즘 조합을 발견함으로써 계산 과학 전 분야에 걸쳐 자동화된 알고리즘 발견을 위한 재사용 가능한 방법론을 제시한다.