在輻射屏蔽研究中，評估X射線束穿過聚合物複合材料後的能量透射比一直是一項棘手的任務。蒙地卡羅輸運模擬雖能給出高精度參考結果，卻極為耗算：作者設置的參考模擬每次上限為4×10⁹個光子歷史，時間限制為20,000秒（超過5小時）。另一方面，傳統閉式解析方法難以刻畫如此複雜的場景。
為此，研究者提出一種人工神經網絡模型STAR-XPC，可直接把無序的分子組成多重集、各成分的質量分數以及四項體相物理描述符映射為透射比I(t)/I0，單次前向推理僅需1-3毫秒。
模型的核心是集合Transformer（Set Transformer）。由於集合結構在構造上天然具備置換不變性，模型對輸入組分的排列順序不敏感。它採用固定長度的填充集合，可接受最多11種組分的混合物，因此同一次訓練即可覆蓋不同成分數量的配方。每種組分都藉助化學預訓練的Transformer語言模型ChemBERTa轉換為嵌入向量，從而把分子層面的化學信息編碼進模型。
訓練數據來自一套自動化PENELOPE/penEasy流程。作者以聚乙烯基屏蔽複合板為對象，板厚在0.15-2.5毫米之間，使用30、80、100和120 kV四種管電壓的輻射源進行模擬。經過預處理後，數據集包含n=4697個模擬配置。
評估採用無泄漏、聯合分層的10折交叉驗證，得到均方誤差MSE=(1.12±0.56)×10⁻⁴，歸一化均方誤差百分比NMSE%僅為0.0294%±0.0147%，決定係數R²=0.9988。按樣本計算的百分比誤差顯示，經α=0.10的截尾處理後，絕對百分比誤差（APE）為1.66%，中位APE為1.15%。
從效率上看，該模型的推理比作為基準的蒙地卡羅模擬快數個數量級：單次查詢不足1毫秒，而參考模擬需數小時，同時仍能有效預測I(t)/I0。論文共13頁、含6張圖，屬於機器學習（cs.LG）與人工智能（cs.AI）交叉方向，於2026年10月20日提交至arXiv。