---
id: wiki-2026-0508-neural-architecture-search-nas
title: Neural Architecture Search (NAS)
status: verified
canonical_id: wiki-2026-0508-neural-architecture-search-nas
aliases: [NAS, AutoML-NAS, Architecture Search]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [automl, nas, deep-learning, architecture, optimization]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack: [python, pytorch, nni, autokeras]
---

# Neural Architecture Search (NAS)

## 한 줄 정의

신경망 **아키텍처 자체를 자동 탐색**해 정확도·지연시간·파라미터 같은 목적함수를 최적화하는 AutoML 분야. 2017–2020년 비전 분야 SOTA를 갱신했지만, 2022+ Transformer/Foundation 모델 표준화 이후 **연구 활성도는 감소**, 현재는 edge·MoE·LLM 변형 설계 등 특정 영역에 잔존한다.

## 핵심

### 3대 구성요소 (Elsken 2019 정리)

1. **Search space**: 후보 연산(conv 3×3, depthwise, identity 등)과 토폴로지.
2. **Search strategy**: RL, evolution, gradient(DARTS), Bayesian.
3. **Performance estimation**: 짧은 학습, weight sharing, predictor.

### 대표 방법

- **NASNet (2017)**: RL controller로 cell 검색. GPU 수천 일 필요.
- **ENAS (2018)**: parameter sharing → 1 GPU 일.
- **DARTS (2019)**: 연속 완화 + gradient. **NAS 대중화의 분기점**.
- **ProxylessNAS (2019)**: 타겟 hardware latency 직접 최적화.
- **Once-for-All (2020)**: 한 번 학습 → 다양한 sub-network 추출 (edge).
- **EfficientNet 계열**: NAS+compound scaling.
- **Zero-cost NAS (2021+)**: 학습 없이 proxy score (synflow, jacov).

### 2024–2026 현황

- 비전: ConvNeXt/MAE 등 hand-design + 사전학습이 주류.
- LLM: 사실상 dense Transformer 표준 → NAS는 **MoE routing, KV cache 구조, 효율 attention** 등 부분 검색에 한정.
- **Edge / NPU**: TFLite/CoreML 타겟 latency-aware NAS는 여전히 유용.
- **AutoML 도구화**: AutoKeras, NNI, Vertex AI Neural Architecture Search.

### 응용

모바일 비전 모델(MobileNetV3, EfficientNet-Lite), 의료 영상 백본 검색, NPU 최적화, 작은 LLM 변형 (헤드 수·차원 검색).

## 💻 패턴

### Search space 정의 (간이 cell)

```python
OPS = ["conv3x3", "conv5x5", "dwconv3x3", "max_pool3x3", "identity", "skip"]

def sample_cell(n_nodes=4):
    return [(prev_idx, op) for prev_idx in range(n_nodes)
                            for op in [random.choice(OPS)]]
```

### DARTS — α 학습 (개념 코드)

```python
class MixedOp(nn.Module):
    def __init__(self, C):
        super().__init__()
        self.ops = nn.ModuleList([build_op(o, C) for o in OPS])
        self.alpha = nn.Parameter(torch.zeros(len(OPS)))

    def forward(self, x):
        w = F.softmax(self.alpha, dim=-1)
        return sum(w[i] * op(x) for i, op in enumerate(self.ops))

# 1차 근사 학습 루프
for x_t, y_t, x_v, y_v in loader_pair:
    loss_w = ce(model(x_t), y_t); loss_w.backward(); opt_w.step(); opt_w.zero_grad()
    loss_a = ce(model(x_v), y_v); loss_a.backward(); opt_a.step(); opt_a.zero_grad()

best_op_per_edge = [OPS[m.alpha.argmax().item()] for m in mixed_ops]
```

### Evolutionary search (간단)

```python
def evolve(pop, fitness, gens=20, k=5):
    for _ in range(gens):
        scored = sorted(pop, key=fitness, reverse=True)
        parents = scored[:k]
        children = [mutate(random.choice(parents)) for _ in range(len(pop)-k)]
        pop = parents + children
    return scored[0]
```

### Hardware-aware loss (ProxylessNAS 류)

```python
loss = ce(logits, y) + lam * predicted_latency(arch_params)
```

### Zero-cost proxy (synflow)

```python
def synflow(model, x):
    for p in model.parameters():
        p.data = p.data.abs()
    out = model(x).sum()
    out.backward()
    score = sum((p * p.grad).sum().item() for p in model.parameters() if p.grad is not None)
    return score
```

### NNI 사용 예 (현실적 default)

```python
# search_space.json 정의 후
import nni
from nni.experiment import Experiment
exp = Experiment("local")
exp.config.search_space = json.load(open("search_space.json"))
exp.config.trial_command = "python train.py"
exp.config.trial_concurrency = 4
exp.config.tuner.name = "TPE"
exp.run(8080)
```

## 결정 기준

| 상황 | 추천 |
|---|---|
| compute 풍부, 연구용 | DARTS / Evolutionary |
| 작은 GPU 1대 | DARTS / ENAS |
| Edge / mobile latency 목표 | **ProxylessNAS, Once-for-All** |
| 빠른 baseline | hand-design + 사전학습 (EfficientNet, ConvNeXt) |
| LLM 사전학습 | NAS 비추 — 표준 Transformer 사용 |
| 빠른 평가 | Zero-cost proxy + top-k 재학습 |
| 실서비스 자동화 | NNI / Vertex NAS |

기본값: **사전학습 backbone 사용**. NAS는 **edge latency 제약** 또는 **search space가 도메인-specific** 일 때 검토.

## 🔗 Graph

- 부모: [[AutoML]] · [[Deep Learning]] · [[Hyperparameters|Hyperparameter-Optimization]]
- 응용: [[EfficientNet]] · [[Edge-AI]]
- Adjacent: [[Mixture-of-Experts]] · [[LLM_Optimization_and_Deployment_Strategies|Knowledge-Distillation]] · [[LLM_Optimization_and_Deployment_Strategies|Quantization]]

## 🤖 LLM 활용

**언제**: search space 설계 brainstorm, DARTS α 해석 sanity check, 논문 비교 요약, NNI/AutoKeras config 작성.

**언제 X**: 실제 NAS 결과를 LLM 직관으로 대체 — 최종 아키텍처는 검증 데이터로 측정 필요. compute 비용 추정도 실측 우선.

## ❌ 안티패턴

- DARTS의 weight sharing 편향(skip connection 폭주) 무시.
- 검증셋이 search 와 final 학습에 모두 노출 → 결과 과대평가.
- 단일 GPU·짧은 epoch 추정으로 최종 성능 결정 — 재학습 필수.
- 하드웨어 latency 측정 없이 "FLOPs만" 최적화 → 실기기 속도와 괴리.
- 2026년에 LLM 사전학습용 NAS 시도 — 비용·표준화 문제로 ROI 낮음.

## 🧪 검증 / 중복

Verified source: Elsken et al. *NAS Survey* (2019), Liu et al. *DARTS* (2019), Cai et al. *ProxylessNAS / OFA*, Microsoft NNI 문서, Google Vertex AI NAS docs, recent zero-cost NAS surveys (2022–2024). 신뢰도 A.

중복 없음. [[AutoML]] 은 부모, [[Hyperparameters|Hyperparameter-Optimization]] 은 형제 개념.

## 🕓 Changelog

- 2026-05-08 Phase 1 — 초기 stub.
- 2026-05-10 Manual cleanup — FULL canonical 재작성. DARTS/ProxylessNAS/OFA/zero-cost 코드 6개, 2024–2026 현황(사용 빈도 감소) 반영.