شبكات العصبونات الرسومية (GNNs) تم استخدامها بشكل شائع لتحليل البيانات غير الأقليدية مثل بيانات الشبكات الاجتماعية والبيانات البيولوجية. على الرغم من نجاحها، فإن تصميم شبكات العصبونات الرسومية يتطلب الكثير من العمل اليدوي والمعرفة المتخصصة في المجال. في هذا البحث، نقترح طريقة بحث عن هندسة شبكة عصبية رسومية (GraphNAS اختصارًا) تمكن من البحث التلقائي عن أفضل هندسة للشبكة العصبية الرسومية باستخدام التعلم التعزيزي. تحديدًا، تقوم GraphNAS أولاً باستخدام شبكة متكررة لتوليد سلاسل متغيرة الطول تصف هياكل شبكات العصبونات الرسومية، ثم تقوم بتدريب الشبكة المتكررة باستخدام التعلم التعزيزي لتعظيم الدقة المتوقعة للهياكل المولدة على مجموعة بيانات التحقق. تظهر النتائج التجريبية الواسعة على مهام تصنيف العقد في كل من إعدادات التعلم الاستنتاجي والتعلم الاستقرائي أن GraphNAS يمكنها تحقيق أداء أفضل بشكل مستمر على شبكات الاقتباس Cora وCiteseer وPubmed وعلى شبكة التفاعل بين البروتينات. في مهام تصنيف العقد، يمكن لـ GraphNAS تصميم هندسة شبكة جديدة تنافس أفضل الهندسة التي ابتكرها الإنسان من حيث دقة مجموعة الاختبار.