我们提出 ENAS，一个硬件感知的神经架构搜索（NAS）框架。它包括静态可行性检查、支持标准、深度可分离和瓶颈块并可选跳连的 cell‑based 搜索空间，以及三阶段混合搜索策略（随机 → top‑K → 变异）并配有跨运行持久缓存。不同于依赖 GPU 加速的多数 NAS 系统，ENAS 设计为在无 GPU 环境下高效运行，适合资源受限的开发场景。
我们在两个 TinyML 基准 Visual Wake Words 与 Melanoma Cancer 上进行评估，覆盖八款微控制器（SRAM 20KB~1MB）和九种输入分辨率。实验显示，ENAS 在 Visual Wake Words 数据集上实现 2.41× 搜索时间加速，在 Melanoma Cancer 上实现 1.70× 加速，同时在准确率上与最新的 NanoNAS 框架持平。资源分析表明，ENAS 选出的模型在峰值激活 RAM 上显著更低，这一指标是微控制器部署的关键瓶颈。
在基于 STM32H743 的微控制器上，ENAS 达到 79.4% 的测试准确率，较仅使用 CPU 的贪心基线提升 2.6 个百分点。我们已在 https://github.com/EdgeIntelligenceLab/ENAS 开源发布该框架。
点评：ENAS 通过硬件感知的搜索空间和高效的三阶段策略，在保持竞争准确率的同时，大幅降低搜索成本和资源占用，为 TinyML 开发提供了实用的工具链。