في السنوات الأخيرة، حققت التعلم العميق نتائج مهمة في العديد من المشكلات العملية، مثل رؤية الحاسوب معالجة اللغة الطبيعية، وتمييز الصوت، وأكثر من ذلك. طوال سنوات عديدة، كان الهدف الرئيسي للبحث هو تحسين جودة النماذج، حتى لو كانت التعقيدات مرتفعة بشكل غير عملي. ومع ذلك، في الحلول الإنتاجية التي تتطلب غالبًا العمل في الوقت الفعلي، يلعب تأخير النموذج دورًا مهمًا جدًا. تُكتشف الهياكل المتطورة حاليًا باستخدام بحث الهيكل العصبي (NAS) مع أخذ تعقيد النموذج بعين الاعتبار. ومع ذلك، لا يزال تصميم فضاء البحث المناسب لأجهزة محددة يمثل مهمة صعبة. ولحل هذه المشكلة، نقترح: قياسًا للكفاءة المادية لفضاء بحث الهيكل العصبي يُسمى "مقياس الكفاءة المصفوفية" (MEM)، وفضاء بحث يتضمن عمليات كفؤة من حيث المادية، وطريقة مُستشعرة للتأخير في التوسيع، ونظام ISyNet - وهو مجموعة من الهياكل المُصممة لتكون سريعة على وحدات المعالجة العصبية المخصصة (NPU) مع الحفاظ على الدقة في الوقت نفسه. ونُظهر الميزة التي تتمتع بها الهياكل المُصممة لهذه الأجهزة من نوع NPU على مجموعة بيانات ImageNet، وكذلك قدرتها على التعميم في مهام التصنيف والكشف اللاحق.