Аннотация:Разработка архитектуры нейронной сети является одним из важнейших этапов в нейросетевом подходе решения задач машинного обучения. В данной работе для исследования выбрана одна из важнейших и востребованных нейросетевых задач, требующих больших вычислительных затрат – задача автоматизированного проектирования архитектур нейронных сетей. В ходе диссертационного исследования был проведен обзор существующих подходов к автоматизированному проектированию архитектур и выбраны методы для исследования (CoDeepNEAT, TPE, Anneal, Evolution). Для сокращения времени поиска архитектуры был предложен и разработан подход к распределенному запуску выбранных методов на нейросетей платформе Neural Network Intelligence (NNI). В работе предложен набор инструментов для поддержки распределенной работы платформы NNI на суперкомпьютере “Ломоносов 2”. Проведенные эксперименты показали, что распределенная реализация CoDeepNEAT обладает близкими к идеальному свойствами масштабирования. Архитектуры, построенные алгоритмом CoDeepNEAT, позволили достичь точности на тестовых задачах в 97% (MNIST) и 73.2% (CleanedVsDirty). С применением алгоритмов оптимизации гиперпараметров (TPE, Anneal, Evolution) полученные результаты удалось улучшить до 98.3% и 94%.