Les capteurs à specklegramme fibrillaire (FSS) sont essentiels pour la surveillance environnementale en raison de leur haute sensibilité à la température, mais leurs données complexes posent des défis aux modèles prédictifs. Cette étude présente Prion-ViT, un modèle de Vision Transformer inspiré par les mécanismes de mémoire prion biologique, conçu pour améliorer la modélisation des dépendances à long terme et la précision des prédictions de température à partir des données FSS. Prion-ViT utilise un état de mémoire persistant pour retenir et propager les caractéristiques clés à travers les couches, réduisant l'erreur absolue moyenne (MAE) à 0,71°C et surpassant des modèles tels que ResNet, Inception Net V2 et les Transformers visuels standard. Cet article discute également des techniques d'Intelligence Artificielle Explicable (XAI), offrant une perspective sur les specklegrammes grâce aux cartes d'attention et de saillance, qui mettent en évidence les régions clés contribuant aux prédictions.