ニューラルアーキテクチャ探索（Neural Architecture Search, NAS）は、優れた分類性能から注目を集めている。微分型アーキテクチャ探索（Differential Architecture Search, DARTS）は、計算コストが低く、効率的な手法として知られている。しかし、DARTSは計算リソースの制約を考慮し、多数の近似を導入している。これらの近似により、性能が低下するという課題が生じている。本研究では、これらの近似に依存しない固定された演算子を用いてDARTSを微調整する手法を提案する。本手法は、パラメータ数と分類精度の間に良好なトレードオフを実現する。提案手法は、最先端手法と比較して、Fashion-MNIST、CompCars、MIO-TCDの各データセットにおいて、トップ1精度をそれぞれ0.56%、0.50%、0.39%向上させた。また、DARTSと比較して、CIFAR-10、CIFAR-100、Fashion-MNIST、CompCars、MIO-TCDの各データセットにおいて、それぞれ0.28%、1.64%、0.34%、4.5%、3.27%の精度向上を達成し、より優れた性能を示した。