لقد اكتسبت بحوث معمارية الشبكات العصبية (NAS) اهتمامًا كبيرًا بفضل أدائها العالي في التصنيف. أما طريقة البحث التفاضلي في المعمارية (DARTS)، فهي طريقة مُعدّلة من الناحية الحسابية. ولتقليل استهلاك الموارد الحسابية، تُطبّق DARTS العديد من الافتراضات التقريبية، والتي تؤدي في المقابل إلى أداء أقل كفاءة. نقترح تحسين أداء DARTS من خلال عملية التدريب الدقيق (fine-tuning) باستخدام عمليات ثابتة، نظرًا لاستقلال هذه العمليات عن الافتراضات التقريبية. يوفر منهجنا توازنًا جيدًا بين عدد المعلمات ودقة التصنيف. ويُحسّن منهجنا دقة التصنيف الأولى (top-1) على مجموعات بيانات Fashion-MNIST وCompCars وMIO-TCD بنسبة 0.56% و0.50% و0.39% على التوالي مقارنة بالأساليب الرائدة في مجالها. كما يتفوّق منهجنا على DARTS، حيث يُحسّن الدقة بنسبة 0.28% و1.64% و0.34% و4.5% و3.27% على مجموعات بيانات CIFAR-10 وCIFAR-100 وFashion-MNIST وCompCars وMIO-TCD على التوالي.