En este artículo, proponemos un método para mejorar la precisión y la escalabilidad de redes neuronales bioinspiradas mediante la aplicación de diferentes reglas de aprendizaje biológico a cada capa mediante la Búsqueda de Arquitectura Neural (NAS). Extendemos el espacio de búsqueda de los modelos existentes basados en NAS para incluir diversas reglas de aprendizaje biológico y encontramos automáticamente la arquitectura y las reglas de aprendizaje óptimas para cada capa mediante NAS. Los resultados experimentales muestran que las redes neuronales que utilizan diferentes reglas de aprendizaje biológico para cada capa alcanzan una mayor precisión que las que utilizan una sola regla. En los conjuntos de datos CIFAR-10, CIFAR-100, ImageNet16-120 e ImageNet, superamos el mejor rendimiento de los modelos existentes de inspiración biológica y, en algunos casos, superamos a las redes basadas en retropropagación. Esto sugiere que la diversidad de reglas de aprendizaje por capa contribuye a una mejor escalabilidad y precisión.
