神经偏微分方程算子中的错误物理后门

arXiv:2608.20439v1 公告类型：新 摘要：神经偏微分方程算子越来越多地接受可重用求解器档案的培训，但验证通常依赖于干净的预测误差和与参数无关的合理性检查。我们引入了跨参数重新链接，这是一种数据中毒原语，使触发的输入在不正确的物理参数下从同一 PDE 系列中选择有效的解决方案。我们将其称为错误物理后门：输出在物理上仍然合理，但对于预期参数来说是错误的。该攻击通过标记代理输入并将其监督重新链接到同一潜在样本的缓存替代参数解决方案，从而利用多参数档案中的张量到参数来源故障。在 476 个攻击活动中，我们评估了伯格斯、平流扩散、二维纳维-斯托克斯和椭圆泊松情况。傅立叶神经算子和 DeepONet 提供了主要证据，并以 Transformer、GRU 和 LSTM 模型作为支持。 FNO 在平流扩散和二维纳维斯托克斯方面均达到 1.0000 的后门成功率，同时保持较低的干净相对 L2 误差。干净标签、仅标签和洗牌控制表明，仅靠高攻击成功率是不够的：成功的攻击必须将预测移向预期的替代物理目标，同时保持有限的干净误差。这些结果暴露了结构验证差距：除非也验证了预期物理参数的来源，否则平滑度或类通用求解器行为是不够的。