نقدم تحويلة جديدة تحافظ على الوظائف لتحسين البحث عن هياكل الشبكات العصبية بكفاءة. تسمح هذه التحويلة للشبكة بإعادة استخدام الشبكات المدربة مسبقًا والهياكل الناجحة الموجودة، مما يحسن كفاءة العينات. نهدف إلى معالجة قيود العمليات الحالية لتحويل الشبكة التي يمكنها فقط إجراء تعديلات على مستوى الطبقات، مثل إضافة (تقليم) مرشحات أو إدراج (إزالة) طبقة، والتي لا تتمكن من تغيير طوبولوجيا مسارات الاتصال. تحولات المسار على المستوى المقترحة لدينا تمكن المتحكم الفائق من تعديل طوبولوجيا المسار للشبكة المعطاة مع الحفاظ على فوائد إعادة استخدام الأوزان، وبالتالي تسمح بتصميم هياكل فعالة ذات طوبولوجيات مسارات معقدة مثل نماذج Inception (إنسيپشن). كما نقترح متحكمًا فائقًا تعزيزًا ذات بنية شجرية ثنائية الاتجاه لاستكشاف فضاء هيكلي شجري بسيط ومعبر للغاية يمكن اعتباره تعميمًا لهياكل متعددة الفروع. أجرينا التجارب على مجموعات بيانات تصنيف الصور باستخدام موارد حاسوبية محدودة (حوالي 200 ساعة وحدة معالجة رسومية)، حيث رصدنا تحسين كفاءة المعلمات ونتائج الاختبار الأفضل (دقة اختبار 97.70٪ على CIFAR-10 بـ 14.3 مليون معلمة ودقة أعلى بنسبة 74.6٪ على ImageNet في الإعداد المحمول)، مما يثبت فعالية وهداوة الهياكل المصممة لدينا وقدرتها على النقل.