您所指的可能是通过增强拓扑或NEAT进行的神经进化。Kenneth O. Stanley 的原始论文在这里

NEAT 结合了神经网络和遗传算法。NEAT 没有使用反向传播或梯度下降来“训练”您的网络，而是创建了一组非常简单的神经网络（无连接），并通过适应度评估、交叉和变异来进化它们。基因组语法：每个连接基因都有一些设置。入节点、出节点、连接权重、激活和创新。In、Out和Weight值与常规神经网络相同。启用和禁用基因很好，启用和禁用。创新价值可能是 NEAT 最具定义性的特征，因为它允许不同拓扑的交叉和每个连接的历史跟踪。NEAT 可以改变或改变它的权重和连接，例如，Parent1有Parent25 个相同的连接，用创新/ID 号 1 到 5 表示。由于它们具有相同的连接节点，遗传算法将随机选择Parent1 weight或Parent2 weight。多余的和不相交的基因是从更适合的父母那里继承来的。然后 NEAT 将突变每个基因组，如下图所示。

我还没有阅读任何有关此的相关论文，但我已经看到了一些基于您所描述的实现，任意称为DGNN（动态增长神经网络）。

希望这个词可以帮助您的搜索。