物理信息神经网络（PINN）把微分方程残差写入训练目标，过参数化情形下，微分神经切核（DNTK）被用来分析训练动力学。这篇 arXiv 论文研究无限宽 DNTK 在正交群下的对称：两层网络依据显式表达式，深层网络依据递推公式。结论覆盖所有激活，无论是否含偏置，并用来观察无限宽 DNTK 的结构。接着，作者证明同一群轨道上的算子在单位球面诱导的积分算子共享谱，其再生核希尔伯特空间只差一个正交变换；对对称算子，算子固定的 DNTK 在单位球上呈 zonal 对称。由此，浅层网络、RePU 激活、零偏置初始化时，可导出该积分算子的特征值衰减速率。摘要未给出具体阶数。
两层显式、深层递推
论文把对称分成两条证明路径，而不是只处理某一种宽度或某一激活。两层网络检查闭式 DNTK 在正交群下如何变换；深层网络把递推关系传到输出。覆盖有无偏置，意味着偏置项并不破坏这条群对称。材料没有列出激活清单，也没有数值实验，因此应读成无限宽极限下的结构命题：DNTK 不是任意正定核，而带有正交群约束。
对 PINN 分析，同一轨道上的微分算子对应的无限宽核可能只差群作用。材料未讨论有限宽是否近似成立，也未涉及单位球面以外的定义域，不能直接套用到一般训练。
共享谱、RKHS 与衰减速率
单位球面上，同一轨道的积分算子共享谱，RKHS 只差正交变换。这把「换一个正交变换后的算子」收成谱等价的学习问题。对称算子下的 zonal 对称，则把核的依赖关系限制在球面几何所允许的形式上。作者在此条件下讨论浅层 RePU、零偏置初始化的特征值衰减。RePU 与零偏置是明确前提，摘要只说可以导出速率，没有写出阶、常数，也没有与标准神经切核比较。深层、带偏置、非球面情形都不在这条推论之内。
我的判断
这篇工作的价值是结构约束：把无限宽 DNTK 放进正交群与单位球面，给出轨道共谱、RKHS 差一个正交变换、对称算子下的 zonal 核。适用面窄——无限宽与球面设定是前提，衰减速率还要求浅层 RePU 加零偏置。材料无实验、无有限宽误差、无定量对比，不宜据此判断哪类 PINN 更好训或泛化更好。对工程实现几乎没有直接指导；若做 PINN 核或谱分析，可把它当作约化线索，而不是新的精度保证。