深層ニューラルネットワークのアーキテクチャ設計およびハイパーパラメータ選定は、しばしば試行錯誤に頼る側面を持つ。パラメータ空間が極めて広いため、すべての組み合わせを検証することは不可能であり、結果として最適解ではなく、部分的に最適な解に落ち着くことが多い。一部の研究では、アーキテクチャおよびハイパーパラメータの自動探索を提案しているが、これらは画像処理分野に限定されている。本研究では、一般のグラフデータに拡張可能な進化的フレームワークを提案する。本フレームワークは、神経ネットワークの集団を進化させることで、アーキテクチャおよびハイパーパラメータ空間を探索する。ニューロエボリューションプロセスの各段階において、ニューラルネットワークの層の追加・削除、ハイパーパラメータの調整、さらには追加のエポックによる訓練を実施できる。最近の成功に基づいた変異選択確率を用いることで、学習プロセスを効率的かつ正確に導くことが可能となる。本手法は、わずか10個のネットワークからなる小規模な集団から、MUTAGタンパク質分類タスクにおいて最先端の性能を達成し、効果的なネットワークアーキテクチャを段階的に構築するための貴重な知見を提供した。