производительность адаптивной интеграции по сравнению с интегрированной

Я хочу выполнить численное интегрирование в одном измерении, где подынтегральная функция имеет векторное значение. integrate() допускает только скалярные интегранты, поэтому мне нужно будет вызывать его несколько раз. Пакет cubature кажется хорошо подходящим, но он плохо работает с одномерными интегралами. Рассмотрим следующий пример (интегральное выражение со скалярным знаком и одномерное интегрирование):

library(cubature)
integrand <- function(x, a=0.01) exp(-x^2/a^2)*cos(x)
Nmax <- 1e3
tolerance <- 1e-4

# using cubature's adaptIntegrate
time1 <- system.time(replicate(1e3, {
  a <<- adaptIntegrate(integrand, -1, 1, tol=tolerance, fDim=1, maxEval=Nmax)
}) )

# using integrate
time2 <- system.time(replicate(1e3, {
  b <<- integrate(integrand, -1, 1, rel.tol=tolerance, subdivisions=Nmax)
}) )

time1
user  system elapsed 
  2.398   0.004   2.403 
time2
user  system elapsed 
  0.204   0.004   0.208 

a$integral
> [1] 0.0177241
b$value
> [1] 0.0177241

a$functionEvaluations
> [1] 345
b$subdivisions
> [1] 10

Каким-то образом adaptIntegrate, похоже, использует гораздо больше вычислений функций для аналогичной точности. Оба метода, по-видимому, используют квадратуру Гаусса-Кронрода (одномерный случай: квадратурное правило Гаусса с 15 точками), хотя ?integrate добавляет «алгоритм Эпсилон Винна». Объясняет ли это большую разницу во времени?

Я открыт для предложений альтернативных способов работы с векторными интегралами, такими как

integrand <- function(x, a = 0.01) c(exp(-x^2/a^2), cos(x))
adaptIntegrate(integrand, -1, 1, tol=tolerance, fDim=2, maxEval=Nmax)
$integral
[1] 0.01772454 1.68294197

$error
[1] 2.034608e-08 1.868441e-14

$functionEvaluations
[1] 345

Спасибо.