Le complétion des faits manquants est une tâche fondamentale pour les graphes de connaissances temporels (GCT). Récemment, les méthodes basées sur les réseaux neuronaux de graphes (RNG) qui peuvent explorer simultanément les informations topologiques et temporelles sont devenues l'état de l'art (SOTA) pour le complétion des GCT. Cependant, ces études reposent sur des architectures conçues manuellement et échouent à explorer les propriétés topologiques et temporelles diverses des GCT. Pour résoudre ce problème, nous proposons d'utiliser la recherche d'architecture neuronale (RAN) afin de concevoir une architecture de passage de messages spécifique aux données pour le complétion des GCT. Plus précisément, nous développons un cadre généralisé pour explorer les informations topologiques et temporelles dans les GCT. Sur la base de ce cadre, nous concevons un espace de recherche expressif pour capturer pleinement les différentes propriétés des différents GCT. Parallèlement, nous adoptons un algorithme de recherche qui entraîne une structure supernet en échantillonnant un seul chemin pour une recherche efficace avec moins de coûts. Nous menons également des expériences approfondies sur trois ensembles de données de référence. Les résultats montrent que les architectures recherchées par notre méthode atteignent des performances SOTA. De plus, les modèles recherchés peuvent également révéler implicitement des propriétés diverses dans différents GCT. Notre code est disponible sur https://github.com/striderdu/SPA.