在辐射屏蔽研究中，评估X射线束穿过聚合物复合材料后的能量透射比一直是一项棘手的任务。蒙地卡罗输运模拟虽能给出高精度参考结果，却极为耗算：作者设置的参考模拟每次上限为4×10⁹个光子历史，时间限制为20,000秒（超过5小时）。另一方面，传统闭式解析方法难以刻画如此复杂的场景。
为此，研究者提出一种人工神经网络模型STAR-XPC，可直接把无序的分子组成多重集、各成分的质量分数以及四项体相物理描述符映射为透射比I(t)/I0，单次前向推理仅需1-3毫秒。
模型的核心是集合Transformer（Set Transformer）。由于集合结构在构造上天然具备置换不变性，模型对输入组分的排列顺序不敏感。它采用固定长度的填充集合，可接受最多11种组分的混合物，因此同一次训练即可覆盖不同成分数量的配方。每种组分都借助化学预训练的Transformer语言模型ChemBERTa转换为嵌入向量，从而把分子层面的化学信息编码进模型。
训练数据来自一套自动化PENELOPE/penEasy流程。作者以聚乙烯基屏蔽复合板为对象，板厚在0.15-2.5毫米之间，使用30、80、100和120 kV四种管电压的辐射源进行模拟。经过预处理后，数据集包含n=4697个模拟配置。
评估采用无泄漏、联合分层的10折交叉验证，得到均方误差MSE=(1.12±0.56)×10⁻⁴，归一化均方误差百分比NMSE%仅为0.0294%±0.0147%，决定系数R²=0.9988。按样本计算的百分比误差显示，经α=0.10的截尾处理后，绝对百分比误差（APE）为1.66%，中位APE为1.15%。
从效率上看，该模型的推理比作为基准的蒙地卡罗模拟快数个数量级：单次查询不足1毫秒，而参考模拟需数小时，同时仍能有效预测I(t)/I0。论文共13页、含6张图，属于机器学习（cs.LG）与人工智能（cs.AI）交叉方向，于2026年10月20日提交至arXiv。