예측 기반 신경망 아키텍처 탐색(Neural Architecture Search, NAS)에서 그래프 컨볼루션 네트워크로부터 도출된 성능 지표는 놀라운 성공을 거두었다. 이러한 지표들은 피드포워드 구조를 one-hot 인코딩을 통해 구성 그래프로 표현함으로써 달성되지만, 검색 공간이 달라질 경우 아키텍처 성능을 평가하는 데 한계를 지닌다. 반면, 무작위 초기화를 사용하는 수작업 성능 지표(Zero-shot NAS)는 동일한 아키텍처를 기반으로 하여 여러 검색 공간에 걸쳐 일반화가 가능하다. 이러한 한계를 해결하기 위해, 우리는 딥러닝 기반의 새로운 Zero-shot NAS 접근법을 제안한다. 본 방법은 컨볼루션 커널에 대해 사인 함수의 푸리에 합(Fourier sum of sines) 인코딩을 활용하여, 평가 대상 아키텍처와 유사한 구조를 갖는 계산용 피드포워드 그래프를 구축한다. 이러한 인코딩은 학습 가능한 특성으로, 아키텍처의 전체적인 위상적 정보를 포괄적으로 표현할 수 있다. 이를 보완하기 위해 별도의 다층 퍼셉트론(Multi-Layer Perceptron, MLP)이 인코딩 기반으로 아키텍처를 순위 매긴다. 실험 결과, NAS-Bench-201 데이터셋에서 기존 그래프 컨볼루션 네트워크 기반 방법보다 높은 상관도를 달성하였으며, 더 빠른 수렴 속도를 보였다. 또한, 각 NAS 벤치마크에서 학습된 본 연구의 특징 표현은 다른 NAS 벤치마크로도 전이 가능하여, 다양한 검색 공간 간 높은 일반화 성능을 보였다. 코드는 다음 주소에서 제공된다: https://github.com/minh1409/DFT-NPZS-NAS