Das Ergänzen fehlender Fakten ist eine grundlegende Aufgabe für zeitliche Wissensgraphen (TKGs). Kürzlich haben Methoden auf Basis von Graph-Neuralen-Netzen (GNN), die gleichzeitig topologische und zeitliche Informationen erforschen können, den Stand der Technik (SOTA) im Bereich des Vervollständigens von TKGs dargestellt. Allerdings basieren diese Studien auf manuell entworfenen Architekturen und schlagen dabei das vielfältige Spektrum topologischer und zeitlicher Eigenschaften von TKGs fehl. Um dieses Problem zu lösen, schlagen wir vor, neuronale Architektursuche (NAS) zu verwenden, um eine datenspezifische Nachrichtenübertragungsarchitektur für die Vervollständigung von TKGs zu entwerfen. Insbesondere entwickeln wir einen verallgemeinerten Rahmen, um topologische und zeitliche Informationen in TKGs zu erforschen. Basierend auf diesem Rahmen entwerfen wir einen ausdrucksstarken Suchraum, um alle Eigenschaften verschiedener TKGs vollständig zu erfassen. Gleichzeitig setzen wir einen Suchalgorithmus ein, der durch das Sampling einzelner Pfade eine Obernetzstruktur trainiert, um mit geringeren Kosten effizienter zu suchen. Wir führen zudem umfangreiche Experimente auf drei Benchmark-Datensätzen durch. Die Ergebnisse zeigen, dass die durch unsere Methode gefundenen Architekturen die SOTA-Leistungen erzielen. Darüber hinaus können die gefundenen Modelle auch implizit verschiedene Eigenschaften in verschiedenen TKGs offenzulegen. Unser Code wurde veröffentlicht unter https://github.com/striderdu/SPA.