Les détecteurs de particules à haute granularité génèrent des flux de données très importants. La problématique du trigger de niveau 1 est de traiter ces énormes flux avec une latence minimale pour choisir les collisions les plus prometteuses (clustering, particle ID, évaluation de l'énergie...). Les algorithmes de clustering utilisés sont de plus en plus complexes afin de garantir un filtrage optimal. Le problème de ces algorithmes est qu'ils induisent une complexité d'implémentation croissante au sein des FPGA (itérations, opérations complexes...). Une idée pour réduire ce problème est d'utiliser des réseaux de neurones artificiels que l'ont va entrainer directement sur des simulations. Ces réseaux garantissent un temps d'exécution linéaire et une facilité d'implémentation au sein de l'électronique. Le point clé est de déterminer la précision que l'on peut obtenir avec des tels réseau. Or cette précision dépend complètement de la topologie du réseau ainsi que de ses autres hyper-paramètres. Afin de trouver la topologie optimale en terme de précision, nous avons développé un framework qui nous permet d'explorer l'espace des configurations topologiques des réseaux au moyen de techniques d'optimisation bayesienne. Nous avons testé cette technologie sur un exemple de classification de gerbes (pion vs electrons) pour le futur calorimètre frontal de CMS (HGCal).