본 논문은 공간-시간 시계열 예측(STSF) 문제를 위한 새로운 신경망 구조 탐색(NAS) 방법을 제시합니다. 기존의 데이터 중심 NAS 방법들의 시간 소모적인 특징과 배경 지식 활용의 제한성을 극복하기 위해, 대규모 언어 모델(LLM)을 활용합니다. LLM을 직접적으로 아키텍처 생성에 사용하는 대신, 다단계 향상 메커니즘을 통해 LLM의 능력을 활용합니다. 단계 수준에서는 프롬프트 엔지니어링을 통해 생성 작업을 단계별 의사결정으로 분해하고, LLM을 아키텍처 탐색의 지도자로 활용합니다. 인스턴스 수준에서는 한 단계 조정 프레임워크와 메모리 뱅크를 이용하여 아키텍처 인스턴스를 빠르게 평가하고 지식을 축적하여 LLM의 탐색 능력을 향상시킵니다. 작업 수준에서는 탐색 단계와 최적화 단계를 균형 있게 조정하는 2단계 아키텍처 탐색을 제안하여 지역적 최적점에 빠질 가능성을 줄입니다. 실험 결과, 제안된 방법이 기존 STSF NAS 방법들에 비해 효율성이 우수하면서 경쟁력 있는 성능을 달성함을 보여줍니다.
