神经网络的结构对其性能有极其重要的影响。目前主流的神经网络结构搜索法仍然是试凑法，该方法存在三大问题：

1. 训练过程中神经网络结构是固定的，训练并不能改善结构
   
2. 时间和计算消耗巨大
   
3. 生成的网络通常很冗余，计算和存储成本过高
   

为了解决以上问题，普林斯顿大学研究人员仿照人类大脑的学习过程，提出了一种自动生成神经网络的算法。该算法从一个种子结构（seed architecture）开始，这个种子结构类似于初生婴儿的大脑。

在训练过程中，先根据反向传播算法获得的梯度（gradient），连接和生长（grow）神经元，类似于幼儿的大脑的生长。随后，根据神经连接的强度（magnitude）逐步修剪（prune）冗余的连接和神经元，最终实现高性能、低能耗的神经网络，此时得到的推理模型（inference model）类似于成年人的大脑。

普林斯顿大学的一组研究人