La recherche d'architecture neuronale (NAS) a connu un succès prédominant dans les tâches de classification d'images et, plus récemment, de segmentation. Dans cet article, nous présentons la première étude préliminaire sur l'introduction de l'algorithme NAS aux réseaux adverses génératifs (GANs), que nous avons nommé AutoGAN. L'association de NAS et de GANs présente des défis uniques. Nous définissons l'espace de recherche pour les variations architecturales du générateur et utilisons un contrôleur RNN pour guider cette recherche, en mettant en œuvre le partage de paramètres et le réinitialisation dynamique afin d'accélérer le processus. Le score Inception est adopté comme récompense, et une stratégie de recherche à plusieurs niveaux est introduite pour effectuer la NAS de manière progressive. Les expériences valident l'efficacité d'AutoGAN dans la tâche de génération d'images inconditionnelle. Plus précisément, nos architectures découvertes atteignent des performances très compétitives par rapport aux GANs actuels conçus manuellement, par exemple en établissant des nouveaux scores FID record de 12,42 sur CIFAR-10 et 31,01 sur STL-10, respectivement. Nous concluons également par une discussion sur les limitations actuelles et le potentiel futur d'AutoGAN. Le code est disponible à l'adresse suivante : https://github.com/TAMU-VITA/AutoGAN