放射移動計算は惑星大気のモデル化に不可欠ですが、従来の手法は計算負荷が高く、精度と速度のトレードオフが生じます。このため、大規模モデル（例：一般循環モデル）では数値的な簡略化が行われ、シミュレーションの精度が低下します。本研究では、静的な大気プロファイルから結果的なフラックスへの明確な物理的マッピングを利用し、高忠実度のトレーニングデータを生成することで、放射移動のエミュレーターを開発しました。トランスフォーマー神経ネットワークを使用し、太陽組成のホット・ジュピター大気を代表する1Dプロファイルで訓練しました。このエミュレーターは、従来の手法と比較して、平均テストセット誤差が約1%という精度でボロメトリック二流層フラックスを再現し、速度は100倍の向上を達成しました。機械学習を用いた放射移動のエミュレーションにより、惑星大気モデルにおける迅速かつ高精度なルーチンの実現が可能になります。