研究人员最新提出了一种创新的神经网络架构预测器，该预测器将图神经网络（GNN）与Transformer架构相结合，通过引入兄弟感知令牌混合器（sibling-aware token mixer）和双向图同构前馈网络（bidirectional graph isomorphism feed-forward network），显著提升了对基于有向无环图（DAG）的神经架构的建模能力。这一突破性进展有望在自动化机器学习（AutoML）、神经网络架构搜索（NAS）等领域产生深远影响，为复杂神经网络结构的自动设计和优化提供了更强大的工具。该技术的核心创新点在于其独特的架构设计，能够更好地捕捉神经网络组件之间的复杂关系，同时保持对图结构数据的高效处理能力。论文已在arXiv平台公开发布，为相关领域的研究人员和工程师提供了重要的技术参考。