نُقدِّم نموذجًا يُسمَّى μDARTS (بحث معماري قابل للتفاضل يُراعي عدم اليقين في النموذج)، والذي يُحسِّن الشبكات العصبية لتحقيق دقة عالية وانعدام يقين منخفض في آنٍ واحد. نُدخِل تقنية "الإسقاط الملموس" (concrete dropout) داخل خلايا DARTS، ونُضِف مُعدِّل مونت كارلو (Monte-Carlo regularizer) إلى دالة الخسارة التدريبية بهدف تحسين احتمالات الإسقاط الملموس. كما نُضيف حدًا لانحراف التنبؤ (predictive variance) إلى دالة الخسارة التحققية، مما يمكّن من البحث عن هندسة معمارية تقلل من عدم اليقين في النموذج إلى أدنى حد. وقد أثبتت التجارب على مجموعات بيانات CIFAR10، CIFAR100، SVHN، وImageNet فعالية μDARTS في تحسين الدقة وتقليل عدم اليقين مقارنةً بالأساليب الحالية المبنية على DARTS. علاوةً على ذلك، تُظهر الهيكلية النهائية الناتجة عن μDARTS مقاومة أعلى للضوضاء في الصورة المدخلة والمعاملات النموذجية مقارنةً بالهياكل الناتجة من الطرق الحالية لـ DARTS.