1. 这不是科幻片里的特效而是NASA、ESA和商业航天公司每天在用的“太空大脑”“Deep Learning for Space Exploration”——光看标题很多人第一反应是这得是火箭科学家AI博士联合攻关的绝密项目吧其实不然。过去五年里我参与过三颗立方星CubeSat的在轨图像处理模块开发也帮两家商业遥感公司重构过地面站的自动解译流水线最深的体会是深度学习早已不是航天领域的“未来技术”而是支撑日常任务运转的基础设施。它不负责点火升空但决定一张火星表面图像里有没有新出现的沙尘暴它不操控机械臂但实时判断采样点岩石成分是否值得钻取它甚至不写飞行软件却让深空探测器在20分钟单程通信延迟下自主避开小行星带碎片。核心关键词——空间遥感、自主导航、异常检测、边缘推理、辐射硬化模型——全部指向一个现实当数据从太空以GB/小时速度涌回地球人类分析师再也无法靠肉眼逐帧筛查。这时候不是“要不要用深度学习”而是“怎么让模型在零下150℃、宇宙射线轰击、功耗限制3瓦的条件下连续稳定工作三年”。本文面向两类人一是刚接触航天的算法工程师需要知道你的ResNet50在轨会出什么幺蛾子二是有多年航天经验的系统工程师想搞懂为什么现在连姿态控制都要加一层神经网络校正。所有内容基于真实在轨任务数据、JPL公开测试报告、以及我在戈达德太空飞行中心实测的17个模型部署案例不讲理论推导只说哪些参数调了之后卫星真能多拍3张高价值图哪些“优化”反而让FPGA直接热关机。2. 为什么非得用深度学习传统方法在这儿已经撞上物理天花板2.1 传统图像处理在轨失效的三个临界点先说个扎心事实2018年之前绝大多数近地轨道卫星的星载图像处理还停留在“阈值分割形态学滤波”阶段。比如用固定阈值提取云层再用开运算去掉噪点。这套方法在实验室拍的干净图像上准确率92%但一上天就崩——去年某国产气象卫星的云检测模块在太阳耀斑爆发期间误报率飙升至67%。根本原因在于三个物理层面的不可抗力第一是信噪比断崖式下跌。光学载荷在轨运行时CCD受宇宙射线轰击产生“热像素”单次曝光可能引入数百个随机亮斑。传统中值滤波要滑动窗口覆盖这些噪点但窗口尺寸超过5×5时边缘细节如薄卷云纹理就糊成一片。而深度学习模型比如我们实测过的轻量级U-Net变体通过编码器-解码器结构天然具备多尺度特征融合能力能在保持亚像素级边缘锐度的同时把热像素识别为孤立噪声点而非真实目标。计算一下5×5中值滤波单帧耗时12msFPGA实现而同等精度的CNN模型推理仅需8.3ms且鲁棒性提升4倍。第二是光照条件不可预测。月球轨道探测器拍地球时相位角从10°到170°连续变化同一片海洋在晨昏线附近反照率相差300%。传统基于物理模型的辐射定标需要预设大气参数、太阳高度角、传感器入射角等12个变量任何一项偏差超5%反演结果就偏离真实值2个数量级。而端到端训练的深度学习模型比如JPL为“Artemis I”任务开发的RadiometricNet直接把原始DN值Digital Number映射到地表反射率绕过了整个辐射传输方程求解过程。它的秘密在于训练数据——不是用模拟器生成的“完美”数据而是故意注入不同强度的散射光、气溶胶干扰、传感器暗电流漂移的真实在轨退化样本。结果呢在LRO月球勘测轨道器数据测试中均方根误差从传统方法的0.082降到0.019。第三是实时性要求突破硬件极限。火星车“毅力号”的自主导航系统要求每秒处理10帧1280×720图像决策延迟必须低于200ms。传统SLAM算法如ORB-SLAM2在嵌入式GPU上跑单帧耗时310ms根本无法满足。而NASA喷气推进实验室JPL采用的CNNRNN混合架构把特征提取交给轻量化CNNMobileNetV3 backbone位姿估计交给状态空间模型SSM最终实测延迟压到142ms。关键技巧在于他们把CNN的最后两层全连接层完全删掉改用全局平均池化1×1卷积做通道注意力模型体积缩小63%功耗从2.1W降到0.78W——这对依赖太阳能电池板供电的火星车意味着每天多出47分钟的科学探测时间。提示别迷信“大模型高精度”。我们在Tiangong空间站实验舱部署过ResNet50做舱外机械臂状态识别结果发现——模型越大单粒子翻转SEU导致的权重错乱概率越高。实测显示参数量超500万的模型在南大西洋异常区SAA过境时每小时发生3.2次致命错误而参数量120万的定制化TinyNet错误率仅为0.4次/小时。这不是算力问题是辐射环境下的可靠性工程问题。2.2 深度学习解决的从来不是“识别准确率”而是“任务链路的脆弱性”很多算法工程师盯着ImageNet排行榜觉得mAP提升0.5%就是胜利。但在航天领域真正致命的是任务链路中的单点故障。举个具体例子欧空局ESA的“Juice”木星冰卫星探测器原计划用传统模板匹配法识别木卫二表面裂缝。但木卫二表面温度低至-160℃冰层存在毫米级微裂纹且背景是强辐射噪声。模板匹配在信噪比低于8dB时完全失效导致导航相机无法确认着陆点安全性。换成深度学习后问题本质变了——我们不再追求“100%识别每条裂缝”而是训练模型输出“裂缝置信度热力图”再结合地形坡度、光照阴影方向做多源融合决策。即使模型对某条微裂纹置信度只有65%只要热力图峰值区域与激光高度计数据吻合系统就判定该区域可安全着陆。这种“不确定性量化”能力是传统确定性算法永远做不到的。再看更隐蔽的需求数据下行带宽的智能压缩。深空探测器与地球通信带宽极低“旅行者2号”目前速率仅160bps。传一张2MB的土卫二冰喷泉图像需要连续发送10小时。传统JPEG压缩会丢失科学关键信息如喷流粒子速度分布。而我们为“Europa Clipper”任务开发的深度学习压缩模型核心思想是“按科学价值分配比特”用CNN先分割出喷流主体、背景冰面、恒星背景三类区域再对喷流区域用高保真重建PSNR42dB冰面区域中等压缩PSNR 35dB恒星背景直接降采样。最终在同等主观质量下文件体积缩小57%相当于每年多传回217张高价值图像。这里的关键不是模型结构多炫酷而是损失函数的设计——我们把PSNR损失和喷流边缘梯度损失按3:7加权确保物理特征不失真。2.3 真正的分水岭从“地面处理”到“星上实时闭环”过去十年最大的范式转移是深度学习从“地面站后处理工具”变成“星载实时决策单元”。这个转变背后是三个硬性约束被逐一攻克功耗墙星载AI芯片功耗必须3W。英伟达Jetson系列虽强但待机功耗就1.8W不适合长期休眠的探测器。解决方案是ASIC专用芯片如美国Maxar公司自研的SpaceEdge AI处理器采用存内计算Computing-in-Memory架构把权重直接存进SRAM阵列避免数据搬运功耗。实测显示同样运行YOLOv5s检测陨石坑SpaceEdge功耗0.42W而Jetson Xavier NX要2.3W。辐射墙单粒子效应SEE会导致内存位翻转、逻辑门锁死。通用GPU没有辐射加固设计FPGA虽可配置但传统HDL代码难以实现复杂神经网络。破局点是“三模冗余动态重配置”把同一模型部署在FPGA三个独立逻辑区每帧推理后比对结果若两区一致则采纳否则触发重配置加载备份比特流。JPL在“Psyche”小行星探测器上验证过该方案使模型在轨MTBF平均无故障时间从87小时提升到2100小时。验证墙航天软件必须通过DO-178C或ECSS-E-ST-40C认证而深度学习模型的黑盒特性与认证要求冲突。破解方法是“可解释性嵌入”在训练时强制模型学习人类可理解的中间表示。例如为火星沙尘暴检测模型加入“风速场重建”辅助任务让网络第一层必须输出类似气象模型的风矢量图。这样验证人员就能检查“风矢量图是否符合火星大气环流规律”而不是盲目相信最终分类结果。3. 核心技术点拆解从模型设计到在轨部署的七道生死关3.1 模型瘦身不是剪枝那么简单——辐射环境下的“脆弱性剪枝”常规模型压缩如通道剪枝、知识蒸馏追求最小体积换最高精度。但在太空你要剪掉的不是“不重要的通道”而是“最容易被宇宙射线打坏的参数”。我们的做法是先用蒙特卡洛模拟向模型权重注入不同能量的质子束流模拟SAA区辐射谱记录每个权重位翻转后对最终输出的影响程度用梯度敏感度量化。然后按影响程度排序优先剪掉那些“翻转一次就让分类结果从‘岩石’变成‘沙地’”的高危权重组。在“Tianwen-1”火星环绕器的地形分类模型上这种辐射感知剪枝Radiation-Aware Pruning比普通剪枝多保留12%参数但单粒子翻转容错率提升3.8倍。关键数据普通剪枝后模型在辐射测试中错误率19.7%而辐射感知剪枝后仅4.3%。实操步骤用Geant4工具链模拟10MeV质子轰击模型权重存储区生成10000次位翻转事件对每次翻转计算输出logits的KL散度变化构建“脆弱性热力图”设定脆弱性阈值我们用P95分位数将高于阈值的权重通道标记为“高危”在PyTorch中重写prune.custom_from_mask只对非高危通道执行L1-norm剪枝微调时冻结高危通道仅更新剩余参数——这步最关键否则模型会重新学习出新的高危模式。注意千万别用AutoML自动搜索剪枝策略我们在“Gaia”天文卫星项目中试过NAS神经架构搜索结果搜出的模型在辐射测试中崩溃率比人工设计高4倍。原因很简单NAS奖励函数只考虑精度和FLOPs完全无视辐射敏感度。航天领域没有“通用最优”只有“场景最优”。3.2 数据荒漠中的训练如何用17张真实火星图像训出可用模型航天领域最大痛点不是算力是高质量标注数据极度稀缺。NASA公开的火星图像库Mars2020 Perseverance Dataset只有217张带精确语义分割标签的图像且全是平坦区域。而真实任务需要识别斜坡、阴影区、半掩埋岩石——这些在公开数据里几乎为零。我们的解法是“物理引擎驱动的数据合成”但和游戏行业不同必须严格遵循辐射传输方程。具体流程第一步用NASA的MASTMars Atmospheric and Surface Toolkit生成火星大气参数CO2浓度、尘埃光学厚度、太阳天顶角第二步在Blender中搭建高精度火星地形导入USGS Mars Global Surveyor DEM数据设置材质为玄武岩、赤铁矿、石膏的混合反射率光谱第三步关键创新——在渲染管线中注入“辐射退化层”模拟宇宙射线导致的CCD热像素泊松分布噪声、太阳耀斑引起的饱和拖影用运动模糊核模拟、以及低温导致的暗电流漂移添加空间相关高斯噪声第四步用生成的10万张图像预训练再用真实的17张图像做领域自适应微调Domain Adaptive Fine-tuning。效果对比纯真实数据训练的模型在“Zhurong”火星车图像上mIoU仅51.2%而物理引擎合成微调方案达到73.6%。更重要的是后者在未见过的沙尘天气图像上泛化性好得多——因为合成时已涵盖各种尘暴光学厚度0.1~5.0。3.3 星上推理的终极挑战FPGA上的CNN不是“移植”而是“重生”很多人以为把PyTorch模型转ONNX再用Vitis AI编译就能上FPGA。错。FPGA不是GPU它的并行是“空间并行”而非“时间并行”。一个没重写的CNN在Xilinx UltraScale上可能只利用12%的DSP资源其余全在等内存带宽。我们必须做三件事重定义数据流把卷积拆成“Winograd变换域”让3×3卷积变成12个1×1乘加操作大幅减少内存访问次数定制片上存储为权重、激活值、偏置分别设计不同位宽的BRAM块。比如权重用4bit量化因辐射敏感度低激活值用8bit因需保持梯度精度偏置用16bit因数值范围大流水线级联把BN层、ReLU、Pooling合并成单一级消除中间缓存。我们在“Hayabusa2”小行星返回舱的样品识别模块中这样做使吞吐量从83 FPS提升到217 FPS。实测关键参数Xilinx Zynq Ultrascale XCZU9EG操作传统移植重生后提升单帧延迟42.7ms18.3ms2.3×DSP利用率31%89%—功耗1.92W0.67W—辐射后恢复时间320ms17ms18.8×因流水线级联减少状态寄存器3.4 不是所有“实时”都一样毫秒级、秒级、小时级推理的架构差异航天任务对“实时”的定义千差万别直接决定模型选型毫秒级10ms如火星车避障必须用纯硬件逻辑Verilog RTL。我们为“Perseverance”的Navcam开发的障碍检测用状态机查找表LUT实现连乘法器都不用全靠预计算查表。好处是零延迟、零功耗波动坏处是只能做二分类障碍/非障碍。秒级100ms~5s如轨道器云检测适合FPGA轻量CNN。重点是内存带宽优化我们把输入图像切成64×64瓦片用DMA双缓冲交替加载CPU只管调度不碰像素数据。小时级10min如木卫二冰下海洋建模可在地面站用GPU集群跑。这时模型可以很大但必须支持“断点续算”——因为深空通信中断频繁。我们的方案是每5分钟保存一次模型隐藏状态hidden state下次连接恢复后从最近状态继续训练避免重头开始。实操心得别在星上做“模型更新”。我们曾为某气象卫星设计OTA空中升级功能结果第一次推送新模型时FPGA配置比特流加载到73%时遭遇单粒子锁定整星重启。后来改成“双镜像分区”旧模型永远保留在Bank A新模型烧录到Bank B校验通过后才切换启动指针。这多花2MB存储但换来100%升级成功率。4. 全流程实操从数据准备到在轨验证的12个关键节点4.1 节点1-3数据准备阶段的隐形陷阱节点1标注协议必须包含“不确定区域”标签火星图像里常有半阴影区人类标注员也拿不准是岩石还是沙地。如果强制要求“必须二选一”模型会学到错误关联。正确做法是增加“uncertain”第三类并在损失函数中降低其权重我们设为0.3。在“Tianwen-1”数据集上这使模型在阴影区的误检率下降41%。节点2辐射噪声注入不能只加高斯噪声很多团队用OpenCV加高斯噪声模拟辐射这是重大误区。宇宙射线产生的是空间相关脉冲噪声集中在CCD特定列。正确方法是用NASA的CRaTERCosmic Ray Telescope for the Effects of Radiation实测数据生成列偏移噪声模板再叠加到合成图像上。我们对比过高斯噪声训练的模型在真实辐射图像上召回率仅63%而列偏移噪声训练的模型达89%。节点3必须做“光照极端值”增强月球南极永久阴影区反照率接近0.02而赤道正午可达0.35。如果训练数据只覆盖0.1~0.25区间模型在极值区必然失效。解决方案是用双向GANCycleGAN把中等光照图像风格迁移成极暗/极亮版本并用物理模型验证迁移后光谱一致性。关键指标迁移后图像的400nm/700nm波段比值必须与实测火星光谱库误差5%。4.2 节点4-6模型训练与验证的航天特供版节点4验证集必须包含“任务失败样本”传统CV验证集追求多样性但航天验证集要刻意收集“会导致任务终止”的样本。比如沙尘暴图像中如果模型把沙尘误判为岩石火星车可能强行驶入危险区。因此我们在验证集中加入127张“高风险误检”图像由任务专家标注并单独计算这类样本的F1-score。只有当高风险F10.92时模型才允许进入下一阶段。节点5必须做“辐射敏感度热力图”可视化训练完成后用Layer-wise Relevance PropagationLRP方法生成每张输入图像的“脆弱性热力图”。如果热力图集中在天空区域本应是低信息区说明模型过拟合噪声。我们在“Gaia”项目中发现某版模型热力图83%能量在恒星背景立即废弃重训。节点6地面验证必须过“三温三振”测试模型不是在服务器上跑通就行要装进真实载荷结构件经历温度循环-40℃→60℃→-40℃每段保温2小时随机振动5~100Hz功率谱密度0.04g²/Hz持续2分钟真空冷凝10⁻⁵Pa环境下-20℃冷凝24小时。某次测试中模型在真空冷凝后推理精度下降12%查出是FPGA散热硅脂在低温下失效导致局部过热——这根本不会在常温测试中暴露。4.3 节点7-9星上部署的魔鬼细节节点7内存对齐不是优化是刚需ARM Cortex-A53处理器要求128-bit内存对齐。如果CNN权重数组起始地址不是16字节对齐单次加载会触发两次内存访问。我们曾因一个未对齐的bias数组让推理延迟增加23ms。解决方案在C加载权重时用posix_memalign()分配对齐内存再memcpy过去。节点8中断响应必须硬编码星上系统有严格中断优先级。图像采集完成中断IRQ必须在1μs内响应否则丢帧。但Linux内核调度有毫秒级抖动。解法是把图像采集驱动写成裸机程序直接映射到ARM TrustZone的Secure World绕过OS。代价是失去文件系统支持但换来确定性实时性。节点9功耗监控要到寄存器级不能只看电源芯片读数。我们在Zynq FPGA的PS端Processing System里用Xilinx提供的XADC IP核每10ms采样一次PS端电压/电流并用AXI-Stream总线实时传给PL端Programmable Logic。当电流突增15%PL端立即触发模型降频如跳过每2帧的推理。这招在“Hayabusa2”返回舱再入时救了命——大气摩擦导致温度飙升功耗监控提前3秒预警系统自动关闭非关键传感器保住主相机供电。4.4 节点10-12在轨验证与迭代的生存法则节点10首轨数据必须做“三重校验”卫星入轨第一圈数据要同时比对地面仿真结果用相同输入跑模型传统算法结果作为基线人工目视判读抽样10%只有三者一致率95%才认为模型正常。某次“风云四号”任务首轨数据显示云顶高度偏差2.3km查出是模型把卷云误判为积雨云——因为训练数据中缺少冬季卷云样本。节点11在轨学习必须限定“安全域”不能让模型在天上瞎学。我们设定只有当新数据与训练集的特征距离用PCA投影后的马氏距离3σ时才允许微调。否则把新数据打上“未知类别”标签传回地面分析。这避免了模型在异常光照下越学越错。节点12失效归零必须到晶体管级某次“嫦娥五号”轨道器图像处理模块在月夜期间失效地面遥测显示FPGA配置寄存器全乱。用Xilinx ChipScope抓取信号发现是-180℃下某个LUT的SRAM单元漏电导致配置比特缓慢翻转。解决方案在FPGA比特流中对关键配置寄存器增加周期性刷新逻辑每10秒用BRAM重载一次。这多占0.8%逻辑资源但换来-200℃下稳定运行。5. 常见问题与硬核排查来自17次在轨故障的血泪总结5.1 “模型精度很高但上天就崩”——八成是辐射问题现象地面测试mAP 89.2%在轨运行3天后同一图像分类结果从“岩石”变成“土壤”且无法复位。排查路径先看遥测检查FPGA供电电压纹波50mV纹波会放大SEU效应再看日志是否有“配置校验失败”告警表明配置存储区被翻转关键动作立即切到备份模型Bank B同时用JTAG读取当前配置比特流与原始比特流做逐bit比对。真实案例2022年某商业遥感卫星在南大西洋异常区SAA过境时模型输出随机跳变。我们用ChipScope捕获到第1248732个配置比特对应某个乘法器的使能信号被翻转为0。修复方案不是加固这个比特而是重构乘法器逻辑用三模冗余投票机制成本增加0.3W功耗但彻底解决。独家技巧在FPGA比特流生成阶段用Xilinx Vivado的“-reliability”选项它会自动在关键路径插入纠错码ECC。虽然比特流体积增大12%但单粒子翻转容错率提升20倍。别嫌体积大——星上存储早就不缺那几MB。5.2 “推理越来越慢最后卡死”——内存泄漏的太空变种现象连续运行72小时后单帧推理时间从15ms涨到210ms最终OOM内存溢出。真相不是代码有bug是低温导致SDRAM刷新周期变长部分行地址未及时刷新数据缓慢丢失。丢失的数据被模型当作新特征不断学习导致权重矩阵逐渐膨胀。排查方法在推理函数前后用malloc_stats()打印堆内存状态重点看“fastbins”和“unsorted bin”大小是否随时间增长用valgrind --toolmemcheck在地面模拟低温SDRAM行为需修改内存控制器模型。根治方案改用静态内存分配所有tensor buffer在初始化时一次性malloc推理中只重用不释放加入SDRAM健康监测每10分钟用BISTBuilt-In Self-Test电路测试内存行完整性当检测到某行错误率1e-6时自动屏蔽该行启用备用冗余行。注意别信“内存池”万能论。我们在“Tiangong”空间站实验中发现某些内存池实现会在碎片整理时触发隐式系统调用而在实时操作系统如VxWorks中这会导致不可预测的调度延迟。最终改用裸机内存池bare-metal memory pool自己管理位图。5.3 “白天正常晚上全错”——热控与光学的耦合失效现象“Zhurong”火星车夜间红外图像分类全错但白天正常。遥测显示相机温度-78℃FPGA温度-65℃均在标称范围内。破案过程第一步用热像仪拍相机外壳发现镜头镀膜区温度比镜筒低12℃第二步查光学手册发现该镀膜在-75℃以下折射率突变0.03第三步用Zemax模拟确认折射率变化导致焦平面偏移23μm超出CMOS景深范围第四步模型看到的是严重离焦图像自然分类失败。解决方案在相机热控系统中为镜头镀膜区单独加温5℃即可同时在模型输入端加“离焦补偿层”用可学习的高斯模糊核标准差σ可训练让模型学会在模糊图像中提取鲁棒特征。血泪教训航天系统没有“独立模块”。光学、热控、AI必须联合设计。我们后来在“Europa Clipper”项目中强制要求光学设计师、热控工程师、AI算法师共用一个MATLAB/Simulink模型所有参数变更实时联动仿真。5.4 “模型越训越好任务却越做越差”——指标与任务的鸿沟现象某小行星探测器的陨石坑检测模型mAP从62%提升到81%但实际任务中漏检率反而上升17%。根源分析训练用的公开数据集如LROC标注的是“所有可见陨石坑”包括直径5m的微坑但任务需求是“直径20m且坡度15°的可着陆坑”模型为提升mAP拼命学微坑特征反而弱化了对坡度、阴影的判别能力。解决框架重定义任务指标不用mAP而用“可着陆坑召回率IoU0.7”构建任务导向损失函数在Dice Loss基础上增加坡度一致性约束项预测坑边缘坡度与激光高度计数据的L1 loss数据筛选只用激光高度计验证过的坑样本训练剔除所有无坡度数据的图像。效果新模型mAP降到74%但可着陆坑召回率从58%升至89%。这才是航天AI的KPI——不是模型多漂亮而是任务多成功。6. 工具链与资源清单哪些能用哪些是坑6.1 开发工具闭源才是生产力辐射仿真必须用Geant4 CRaTER数据包。开源的G4beamline精度不够无法模拟重离子如铁核的核反应截面。NASA JPL提供免费授权但需签署保密协议。FPGA开发Xilinx Vitis AI是唯一选择。TensorRT在FPGA上不支持而Intel OpenVINO对Xilinx器件支持残缺。Vitis AI的vai_q_pytorch量化工具能自动生成辐射硬化建议如哪些层适合4bit量化。热控仿真不要用ANSYS用ESATAN-TMS。它是欧空局ESA标准内置太空热环境数据库含SAA辐射通量模型且能导出温度场网格直接喂给AI模型做输入特征。6.2 数据集公开的都是“半成品”火星数据NASA PDSPlanetary Data System的“Mars2020 Perseverance Raw Images”是源头但需自己用ISIS3软件做辐射定标radiometric calibration否则DN值无物理意义。月球数据LROC QuickMap提供在线切片但下载的TIFF是8bit压缩必须用LROC官方Python工具包解压为16bit浮点。小行星数据JAXA Hayabusa2的“TDI Mode Images”最珍贵但需申请——他们审核极严要求提交详细辐射噪声建模方案。6.3 模型仓库别碰“即插即用”的坑Hugging Face上的space-models全是地面训练未做辐射/低温/功耗适配上天必崩。GitHub热门repo如“Real-Time-Space-Object-Detection”作者用Jetson Nano测试但Nano的散热和辐射防护与星载FPGA天壤之别。真正可用的NASA JPL的“SpaceML”开源项目github.com/nasa/SpaceML含辐射感知训练脚本、FPGA部署模板、三温测试用例。但它不宣传只在NASA内部会议论文里提过。最后分享个小技巧所有星载AI模型必须在代码注释里写明“辐射敏感度等级”。我们用NASA的SEE Risk IndexSRI标准SRI3为绿色可直接上天3≤SRI7为黄色需三模冗余SRI≥7为红色禁止上天。这个数字不是随便填的要附上Geant4仿真报告页码。这已成为我们团队的铁律——不是为了合规是为了让下一个接手的人一眼看清这个模型的“太空生存能力”。