Dans cet article, nous présentons un modèle de réseau de neurones (Neural Network, RN) s'appuyant sur une recherche d'architecture neuronale (Neural Architecture Search, NAS) et d'auto-apprentissage, que nous appliquonsà la reconstruction instantanée de cartes de puissances radio (Received Signal Strength, RSS)à partir de mesures parcimonieuses, dans le cas où l'augmentation de données par des techniques de simulation déterministe n'est pas possible. Dans cette approche, nous déterminons tout d'abord une architecture NN optimale tout en entrainant conjointement le model déduità partir d'une carte RSSreprésentant la vérité terrain. Cette carte de référence ainsi que les prédictions du modèle appliquéà un ensemble de point choisis aléatoirement sont ensuite utilisés pour entrainer un second modèle NN utilisant une architecture identique. Des résultats expérimentauxétablis sur cinq cartesà grandeéchelle montrent que les prédictions de ce second modèle sontà la fois meilleures que les techniques d'interpolation de l'état de l'art ne s'appuyant pas sur de l'apprentissage, maiségalement que celles utilisant des modèles NN sans recherche d'architecture.