Neural Architecture Search (NAS) hat aufgrund ihrer überlegenen Klassifizierungsleistung an Aufmerksamkeit gewonnen. Differential Architecture Search (DARTS) ist eine rechenleichte Methode, die jedoch aufgrund der Vielzahl von Approximationen, die zur Einschränkung der Rechenressourcen getroffen werden, zu einer verminderten Leistung führt. Wir schlagen vor, DARTS durch Feinabstimmung mit festen Operationen zu verbessern, da diese unabhängig von diesen Approximationen sind. Unsere Methode bietet ein gutes Kompromiss zwischen der Anzahl der Parameter und der Klassifizierungsgenauigkeit. Im Vergleich zu aktuellen State-of-the-Art-Ansätzen erreicht unsere Methode eine Steigerung der Top-1-Accuracy um 0,56 %, 0,50 % und 0,39 % auf den Datensätzen Fashion-MNIST, CompCars und MIO-TCD. Im Vergleich zu DARTS erzielt unsere Methode eine verbesserte Genauigkeit um 0,28 %, 1,64 %, 0,34 %, 4,5 % und 3,27 % auf den Datensätzen CIFAR-10, CIFAR-100, Fashion-MNIST, CompCars und MIO-TCD.