Neuronale Architektur-Suche (NAS) ist ein automatisiertes Verfahren, bei dem mithilfe von Optimierungsalgorithmen geeignete Netzwerkarchitekturen für neuronale Netze gefunden werden.
Typische Methoden umfassen Reinforcement Learning, evolutionäre Algorithmen oder differentiable Architektur-Suchverfahren.
Der Suchraum definiert mögliche Architekturen, z. B. Anzahl und Typ der Schichten, Verbindungsarten oder Hyperparameter.
NAS optimiert sowohl die Leistung (z. B. Genauigkeit) als auch die Effizienz (z. B. Rechenaufwand) und kann so bessere Modelle als manuell entworfene Architekturen erzeugen.
Ein wichtiger Aspekt ist die Balance zwischen Suchzeit und Modellqualität, da NAS meist sehr rechenintensiv ist und Techniken wie Proxy-Modelle oder Gewichtsteilung eingesetzt werden, um die Suche zu beschleunigen.