本研究针对现有自由空间轨迹相似性计算方法在有效性和效率上的双重挑战，提出了一种仅使用单层原始变换器编码器的模型。该模型通过量身定制的表示相似性函数，显著缓解维度灾难问题，并在有效性、效率和可扩展性上超越现有技术。

通过使用模型模拟，摊销贝叶斯推理训练神经网络以解决随机推理问题。提出了一种新的摊销推理方法Simformer，克服了当前模拟为基础的摊销推理方法的局限性，且在基准任务上优于当前最先进的摊销推理方法。具有更大的灵活性，可以应用于具有函数值参数的模型，处理具有缺失或非结构化数据的推理场景，并能够采样参数和数据的任意条件联合分布。在生态学、流行病学和神经科学的模拟器上展示了Simformer的性能和灵活性，并证明了它的新的可能性和应用领域。