التطورات المبكرة في هياكل الشبكات العصبية التلافيفية (CNNs) كانت تُحفَّز بشكل رئيسي بواسطة الخبرة البشرية وعمليات التصميم المعقدة. ومؤخراً، تم اقتراح تقنية البحث عن الهيكل العصبي بهدف أتمتة عملية تصميم الشبكة وإنتاج هياكل مخصصة وفقاً للمهام. وعلى الرغم من أن النهج الحالية قد حققت أداءً تنافسياً في تصنيف الصور، إلا أنها ليست مناسبة جيداً للمشكلات التي تقتضي حدوداً محدودة من الموارد الحسابية، وذلك لأسباب رئيسية: (1) تُحسَّن الهياكل المستخلصة إما بشكل حصري لتحسين الأداء في التصنيف، أو لسيناريو واحد فقط للنشر؛ (2) تتطلب عملية البحث موارد حسابية ضخمة في معظم النهج. ولتجاوز هذه القيود، نقترح خوارزمية تطورية لاستكشاف هياكل الشبكات العصبية تحت عدة أهداف، مثل أداء التصنيف وعدد العمليات الحسابية بال浮点 (FLOPs). وتحل هذه الطريقة المشكلة الأولى من خلال توليد مجموعة من الهياكل لتقريب الحدود الباريتية الكاملة من خلال عمليات وراثية تقوم بدمج وتعديل مكونات الهيكل بشكل تدريجي. كما تحسّن طريقتنا من الكفاءة الحسابية من خلال تقليص دقيق للهياكل أثناء عملية البحث، بالإضافة إلى تعزيز الأنماط المشتركة بين الهياكل الناجحة السابقة من خلال تعلّم النماذج بايزيانية. ويتيح دمج هذين المساهمتين الرئيسيتين تصميم هياكل فعّالة تتفوق في معظم الحالات على الهياكل المصممة يدويًا أو تلقائيًا على مجموعات بيانات تصنيف الصور القياسية: CIFAR وImageNet والأشعة السينية للصدر البشري. كما أن المرونة التي توفرها القدرة على استخلاص خيارات متعددة من الهياكل لاحتياجات حسابية مختلفة تميز منهجنا عن الطرق الأخرى المنشورة في الأدبيات. يتوفر الكود على الرابط: https://github.com/mikelzc1990/nsganetv1