本研究提出了一种新方法，通过隐蔽空间信息和增强特征依赖性，解决3D自监督学习模型的表示质量不足，克服了"几何捷径"挑战。Sonata在参数和数据效率上表现优异，线性探测准确率提升3倍，仅用1%数据显著提高性能，推动3D感知任务的发展。

最近的人工智能进展由神经网络推动，要求创新的神经架构设计以平衡性能和效率。硬件感知神经架构搜索是一种自适应策略自动化设计神经网络的方法，通过使用多目标优化方法。我们提出了SONATA，一种用于硬件感知神经架构搜索的自适应进化算法。在ImageNet-1k数据集上的评估显示SONATA的优点，精确度提高了0.25％，延迟和能源性能提高了2.42倍。