La Recherche d'Architecture Neuromorphique (NAS) a suscité un intérêt croissant en raison de ses performances supérieures en classification. La Recherche d'Architecture Différentielle (DARTS) constitue une méthode à faible coût computationnel. Toutefois, pour limiter les ressources informatiques, DARTS fait appel à de nombreuses approximations, lesquelles entraînent une dégradation des performances. Nous proposons de fine-tuner DARTS en utilisant des opérations fixes, celles-ci étant indépendantes de ces approximations. Notre méthode offre un bon compromis entre le nombre de paramètres et la précision de classification. Par rapport aux approches de pointe, notre méthode améliore la précision top-1 de 0,56 %, 0,50 % et 0,39 % respectivement sur les jeux de données Fashion-MNIST, CompCars et MIO-TCD. De plus, elle surpasse DARTS en termes de précision, avec des gains de 0,28 %, 1,64 %, 0,34 %, 4,5 % et 3,27 % sur les jeux de données CIFAR-10, CIFAR-100, Fashion-MNIST, CompCars et MIO-TCD, respectivement.