本文利用神经结构搜索技术，提出了一种新型的神经元架构设计方法，以在时序处理、二进制信息传输等方面提高脉冲神经网络（SNN）的性能，实验结果表明，所创建的 SNASNet 结构在多项图像识别测试中表现出优秀的性能，且具有高效能的特性。

Jan, 2022

通过定义一个无不良设计选择的搜索空间并引入考虑准确性和脉冲数量的适应性函数，我们提出一种称为 AutoSNN 的脉冲感知神经架构搜索框架，成功搜索出了在准确性和能量效率方面优于手工设计的 SNN 的架构。

Jan, 2022

本论文提出了一种基于大脑多尺度拓扑结构的多尺度进化神经架构搜索算法 (MSE-NAS)，通过基于神经激发的间接评估函数 (表示不同矩阵 RDMs) 演化单个神经元操作，从而得到具有卓越可扩展性和迁移性的 SNN 架构。实验结果表明，该算法在静态数据集 (CIFAR10, CIFAR100) 和神经形态数据集 (CIFAR10-DVS 和 DVS128-Gesture) 上均取得了最新技术水平 (SOTA) 的性能表现，而不需要训练，同时不影响在不同尺度上的生物解释性。

Apr, 2023

FLASH 是一种快速的神经架构搜索方法，它在真实硬件平台上协同优化 DNN 的准确性和性能，并且该算法比现有最先进的方法具有超过四个数量级的加速，在嵌入式设备上，搜索时间不到 3 秒。

Aug, 2021

本研究采用无代理的硬件感知搜索方法，针对密集的语义分割任务，实现了特定任务和推理硬件上优化的网络，并在 Cityscapes 语义分割数据集上实现了最先进的网络准确度优化，在 NVIDIA AGX Xavier 上实现了低于 100ms 推理时间的 73.62％的类 mIOU，并与最新的最先进架构进行了详细分析。

Aug, 2019

本文提出了一种快速 NPU 感知的 NAS 方法 S3NAS，通过超网设计、单路径 NAS 和扩展这三步实现在给定延迟限制下寻找具有更高准确性的 CNN 结构，通过该方法，在 3 小时内使用 TPUv3 找到了一种具有 82.72％ Top-1 准确度和 11.66 毫秒延迟的网络。

Sep, 2020

本文介绍了一种名为 SNAG 的框架，通过一种基于强化学习的搜索算法和一个新颖的搜索空间，用于寻找适合于图神经网络的架构，并与其他方法进行了广泛实验。结果表明，SNAG 框架比人工设计的 GNN 和其他 NAS 方法，包括 GraphNAS 和 Auto-GNN 方法更加有效。

Aug, 2020

通过稀疏编码的方法，进行可微的搜索及网络结构恢复，以满足稀疏性约束，提高了神经结构搜索的效率和性能。

Oct, 2020

我们提出了一种 Advance Spatial Attention（ASA）模块来利用神经元网络（SNN）中的冗余功能，通过一对个体空间注意子模块来自适应优化其膜电位分布，从而准确调节噪声尖峰特征。实验结果表明，与最先进的 SNN 基准相比，所提出的方法显著减少了尖峰发射，并具有更好的性能。

Aug, 2023

本文提出了一种新的硬件感知的神经架构搜索框架，名为 FNAS，使用 Field Programmable Gate Arrays 作为车辆，通过性能抽象模型对神经架构进行快速剪枝，以保证满足实现规范的延迟，并在精度下降少于 1% 的情况下快速搜索到有效的架构。

Jan, 2019