تصميم المعمارية واختيار المعلمات الفائقة للشبكات العصبية العميقة غالبًا ما يعتمد على التخمين. ففضلاً عن أن فضاء المعاملات واسع جدًا بحيث لا يمكن استكشاف جميع الاحتمالات، فإن هذا يؤدي إلى اعتماد حلول غير مثلى في كثير من الأحيان. وقد اقترح بعض الأبحاث طرقًا تلقائية لاستكشاف المعمارية والمعالم الفائقة، لكنها محدودة بتطبيقات الصور. نحن نقترح إطارًا تطوريًا مخصصًا لبيانات الرسوم البيانية، ويمكن توسيعه ليشمل الرسوم البيانية العامة. يُجري هذا الإطار تطوريًا تغيرات (طفرات) على مجموعة من الشبكات العصبية للبحث في فضاء المعمارية والمعالم الفائقة. وفي كل مرحلة من مراحل عملية التطور العصبي، يمكن إضافة طبقات للشبكة العصبية أو إزالتها، أو تعديل المعلمات الفائقة، أو تطبيق عدد إضافي من دورات التدريب. وتُستخدم احتمالات اختيار الطفرات بناءً على النجاحات الأخيرة لتوجيه عملية التعلم، مما يضمن كفاءة ودقة عالية. وباستخدام مجموعة صغيرة من 10 شبكات فقط، نحقق أفضل أداء مسجل (state-of-the-art) في تصنيف بروتينات MUTAG، كما نحصل على رؤى مثيرة حول كيفية بناء معماريّات فعّالة بشكل تدريجي.