《Array》：Machine Learning for Adaptive Numerical Integration: A Comparative Accuracy–Cost Analysis
数值积分是科学计算的基本组成部分，然而积分方法的相对性能在很大程度上取决于被积函数的结构特征以及与每个求解器相关的计算成本。本研究提出了一种用于自适应数值积分的智能框架，该方法将方法选择形式化为一个有监督的算法选择问题。其主要创新在于将可解释的被积函数描述符与数据驱动的选择器相结合，在统一的精度-成本准则下，从异构的经典和学习型积分方法中进行选择，而非将机器学习直接用作既定数值算法的替代品。该框架评估了辛普森法则（Simpson）、高斯-勒让德求积法（Gauss-Legendre）和龙贝格积分法（Romberg），以及神经网络（NN）和物理信息神经网络（PINN）积分器。在涵盖六个函数家族的600个基准实例上的实验表明，龙贝格积分法和辛普森法则提供了最有利的精度-成本权衡，分别在被选实例中占70.83%和29.17%，而所评估的学习型积分器在采用的逐实例训练协议下未被选为最优方法。随机森林（Random Forest）选择器在留出测试集上达到了83.89%的准确率和0.83的加权F1分数（weighted F1-score）。消融分析进一步表明，结合被积函数的统计描述符和结构描述符有助于提升预测性能，特别是与局部变化和斜率相关的信息。所提出的公式可以扩展到更广泛的数值方法和问题类别组合中。
引言
准确的数值积分支撑着工程、物理、计算数学和数据驱动建模等广泛领域的科学计算应用。许多计算流程——包括模拟、优化、不确定性量化和科学推断——都需要重复评估定积分，这使得数值精度和计算效率成为同等重要的设计目标。因此，选择合适的积分算法往往与数值近似本身同样关键。经典的求积方法，包括辛普森法则（Simpson's rule）、高斯-勒让德求积法（Gauss-Legendre quadrature）和龙贝格积分法（Romberg integration），因其坚实的理论基础、可预测的收敛特性和计算效率，长期以来一直是标准的数值工具。
一个典型的例子出现在信号处理和控制工程中，信号能量通过积分计算。该量在振动分析、通信、生物医学监测和实时控制系统中起着基础性作用，在这些场景中，必须在严格的计算约束下评估大量积分。这凸显了采用自适应策略的必要性，该策略能够针对每个问题实例选择最合适的算法，而不是依赖单一的数值方法。
过去几十年来，经典求积技术不断得到改进，尤其对于光滑的低维函数，能以相对较低的计算成本实现高数值精度。现代发展，包括谱方法和随机数值方法，进一步将其适用性扩展到日益复杂的计算环境。因此，这些方法仍然是数值分析和科学计算中的主要性能基线。
与此同时，人工智能的最新进展通过科学机器学习（Scientific Machine Learning, SciML）的出现改变了科学计算。在该领域中，机器学习技术与数学模型和数值算法相结合，以解决复杂的计算问题。神经网络在非线性函数逼近、表示学习、代理建模和科学发现方面展现出卓越的能力。最近的发展进一步将这些能力扩展到算子学习、符号回归和数据驱动的科学建模。其中，物理信息神经网络（Physics-Informed Neural Networks, PINNs）通过微分方程约束将基本物理定律纳入优化过程，为计算物理和工程中的正问题和逆问题求解提供了一个有效框架。这些方法已在高维、参数化和数据稀缺问题上取得了显著成功。
尽管取得了这些进展，一个重要研究问题仍未得到解答。虽然基于学习的方法在科学机器学习中表现出了出色的性能，但在同时考虑数值精度和计算成本的统一实验条件下，它们在标准数值积分中的实际作用尚未得到系统评估。神经和物理信息模型提供了相当大的逼近灵活性，但通常需要模型训练、参数优化以及比确定性求积规则多得多的计算资源。此外，它们报告的优势通常与高维微分方程、逆问题或参数化系统相关，而非传统的一维求积。因此，尚不清楚基于学习的积分器在现实的精度-成本标准下是否能提供实际优势。
另一条互补的研究路线并非致力于开发新算法，而是关注对现有算法的智能选择。研究人员建立了算法选择问题（Algorithm Selection Problem）的理论基础，证明没有单一算法能在所有问题实例上表现最优，且性能取决于问题特性与算法行为之间的交互作用。这一原理随后被扩展到优化、机器学习、自动决策系统和组合搜索等领域。最近，有监督学习技术使得算法选择系统能够直接从问题实例的描述性特征中预测最合适的求解器。这些方法在优化和自动化机器学习领域已被证明是成功的，因为它们用高效的预测模型取代了穷举式的算法评估。尽管如此，它们在数值积分中的应用仍然相对有限，尽管可用的积分算法种类繁多，且其性能强烈依赖于被积函数的结构属性。
现有的数值积分研究主要集中在改进单个算法或分析孤立的数值方法上。相比之下，很少有研究关注基于特征的算法选择框架，该框架能够在统一的精度-成本标准下系统地评估包含经典求积技术和现代基于学习的积分器的异构组合。随着科学机器学习从取代传统数值方法转向通过智能计算决策对其进行补充，这一空白变得愈发重要。
为了解决这一挑战，本文将数值积分形式化为一个算法选择问题，并提出了一个用于自适应方法选择的统一机器学习框架。该框架并非引入新的数值积分算法，而是在一个通用的实验协议下，将经典求积方法（辛普森、高斯-勒让德和龙贝格）与基于学习的方法（神经网络和物理信息神经网络）结合起来。每个积分问题都通过描述被积函数结构特征的可解释特征来表示，并且一个有监督学习模型根据一个联合考虑数值精度和计算成本的多目标准则来预测最合适的积分方法。这样，本研究的主要贡献在于开发和验证了一个支持自适应数值积分的智能算法选择框架，并在现实的计算约束下对异构积分方法进行了系统评估。
相关工作
经典数值积分：过去几十年，经典求积方法一直是低维数值积分和科学计算的参考方法。辛普森法则、高斯-勒让德求积法和龙贝格积分法等成熟的求积方法，因其在低维数值积分问题中的精度、稳定性和计算效率，仍是参考标准。已有学者建立了关于截断误差、收敛性质以及函数光滑度对求积精度影响的理论框架。由此得出的一个共同结论是，没有一种求积规则是普遍最优的。积分方法的数值性能很大程度上取决于被积函数的结构特征，包括光滑度、振荡行为、局部奇异性和高阶导数。光滑函数通常有利于高阶确定性求积规则，而快速变化或振荡的函数则常常改变数值精度与计算工作量之间的平衡。尽管这些方法最初是在几十年前开发的，但由于其确定性行为、数学可解释性和严格的收敛保证，它们至今仍不可或缺。近期的谱近似和基于核的数值方法等发展，进一步将经典积分技术的适用范围扩展到了日益复杂的计算问题。因此，现代科学机器学习研究继续将经典求积方法作为强大而可靠的基线，而非过时的数值技术。
科学机器学习与神经数值方法：科学机器学习（SciML）的最新进展极大地扩展了机器学习在科学计算中的应用。神经网络在非线性逼近、代理建模、算子学习、符号发现和数值模拟方面展现了卓越的能力。最近，科学机器学习已朝着混合计算范式发展，该范式将数据驱动模型与数学结构相结合，从而在保持物理一致性的同时提高预测精度。其中，物理信息神经网络（PINNs）通过将控制微分方程直接嵌入优化过程，已成为最具影响力的框架之一。后续进展通过区域分解、自适应采样策略、分数阶公式和改进的优化技术，极大地扩展了其在计算科学中正问题和逆问题的适用性。全面的综述进一步将物理信息学习定位为现代科学机器学习的主要范式之一，而理论分析则持续研究其逼近能力、收敛性和泛化特性。尽管这些研究展示了科学机器学习的快速发展，但它们主要关注学习精度、物理一致性和模型泛化，而非在联合精度-成本标准下对基于学习的算法和经典数值算法进行比较评估。尽管取得了这些进展，神经方法在标准数值积分中的应用仍然相对有限。现有研究主要集中在微分方程求解器、算子学习、代理建模和参数化物理系统上，在这些领域，神经模型自然地利用了可重用的训练和高维表示。它们在传统低维求积问题中的有效性受到的系统性研究要少得多。因此，关于基于学习的积分器在同时考虑数值精度和计算效率时，是否比成熟的求积规则具有实际优势，目前仍缺乏实证证据。
数值计算中的算法选择：另一种研究方向侧重于为每个问题实例选择最合适的现有数值方法。研究人员奠定了算法选择问题（Algorithm Selection Problem）的理论基础，证明了算法性能取决于问题特性、算法属性和性能度量之间的相互作用。该框架随后通过元学习、自动化机器学习和经验性能建模得到了发展。最近，有监督学习技术使得算法选择系统能够直接从描述性问题特征中预测最合适的求解器。这些方法在优化、组合搜索、自动化机器学习和计算决策系统中取得了显著成功，它们在保持解质量的同时减少了计算工作量。尽管如此，它们在数值积分中的应用仍然相对未被探索，尽管积分性能强烈依赖于被积函数的结构属性。
研究空白与本研究的定位：回顾的文献突出了三个主要观察结果。首先，经典求积方法因其强大的理论保证和计算效率而保持高度竞争力。其次，科学机器学习在解决复杂计算问题方面表现出色，尤其是涉及微分方程、逆问题和高维系统的问题。第三，算法选择已成为众多科学领域中智能计算决策的有效策略。然而，一个明显的研究空白依然存在。据研究人员所知，先前的研究尚未系统地探讨将数值积分作为一个涉及异构组合的算法选择问题，该组合需同时在统一的精度-成本评估框架下包含经典求积方法和现代基于学习的积分器。因此，本工作定位于数值分析、科学机器学习和算法选择的交叉点。研究人员并非提出另一种数值积分算法或试图取代成熟的求积方法，而是开发了一个机器学习框架，该框架根据被积函数的结构特性和联合精度-成本准则来预测最合适的积分方法。因此，主要贡献不在于证明一种数值范式优于另一种，而在于提供一个能够在现实计算约束下选择最合适数值积分策略的智能决策框架。
方法论
提出的框架将经典求积方法、基于学习的积分器和有监督算法选择整合到一个统一的工作流中。其目标不是开发新的积分算法，而是根据数值精度和计算成本的联合评估，为每个积分问题确定最合适的方法。该方法遵循算法选择范式，其中算法性能取决于问题特性和候选方法之间的交互。每个被积函数由一个描述其结构属性的特征向量表示，而所有候选积分方法都在相同的计算条件下进行评估。然后训练一个有监督学习模型，以预测能为先前未见过的函数提供最佳精度-成本权衡的方法。与独立评估各个积分方法的常规研究不同，提出的框架考虑了包含确定性求积技术和基于学习的积分器的异构组合。完整的工作流包括八个阶段：(i) 基准生成，(ii) 被积函数采样，(iii) 特征提取，(iv) 候选方法评估，(v) 多目标性能评估，(vi) 最优标签生成，(vii) 算法选择器训练，以及 (viii) 对未见过的积分问题进行预测。
整体框架：提出的框架将数值积分形式化为一个有监督的算法选择问题，其目标是预测给定函数最合适的积分方法，而不是直接逼近积分值。每个候选方法计算一个近似值和执行时间。它们的性能使用提出的多目标评分进行评估，最优方法被定义为该评分最低的方法。由此产生的最优方法被用作有监督学习的目标标签，使模型能够学习从特征向量到最优方法的映射。一旦训练完成，选择器仅使用提取的特征就能预测对于未见过的函数能提供最佳精度-成本权衡的积分方法。与直接逼近积分本身的基于学习的积分器不同，提出的框架将机器学习专门用于算法选择，是对经典数值方法的补充而非替代。
基准测试：一个代表性的基准对于评估提出的算法选择框架至关重要。由于目标是识别根据被积函数结构特征最合适的积分方法，基准应包含多样的数值行为，而非来自特定应用领域的函数。该基准由分布在六个代表性函数家族中的600个合成积分问题组成：线性、多项式、指数、振荡、有理数和混合函数。这些家族捕捉了不同的数值特征，包括光滑度、振荡、快速变化和功能复杂性。对于每个家族，通过在预定义范围内随机采样相应参数生成了100个实例。每个基准实例由一个参数化函数表示，其中参数控制被积函数的行为。这种公式在保持每个函数家族解析结构的同时引入了可控的变化性。所有方法均在相同的计算条件下进行评估，以确保公平和可重复的比较。
特征提取：提出的算法选择框架通过从积分区间内均匀采样的函数值中提取数值特征向量来表示每个积分问题。这种表示捕获了影响不同积分方法性能的结构属性，而非使用被积函数的解析表达式。基于这些样本，构建一个特征向量来描述被积函数的全局和局部行为。为了表征函数值的整体分布，考虑了两个统计描述符：样本均值和标准差，分别量化函数的平均幅度和离散程度。被积函数的变异性通过总变差进一步量化，它测量了沿积分区间的累积变化，并提供了数值积分难度的指标。局部行为通过一阶有限差分来表征，从中计算出平均绝对斜率和最大绝对斜率。这些描述符使模型能够识别可能影响不同积分方法性能的快速变化或尖锐局部变化的区域。此外，振荡行为通过过零点数来量化，该特征为振荡提供了一个简单而有效的度量，尤其适用于区分需要不同求积策略的函数。总的来说，这些描述符构成了算法选择器使用的十维特征向量。
积分方法组合：提出的框架评估了一个包含经典求积方法和基于学习的积分器的异构组合，实现了确定性数值算法与现代数据驱动方法之间的统一比较。候选组合包括辛普森法则、高斯-勒让德求积法和龙贝格积分法作为经典方法，以及前馈神经网络（NN）和物理信息神经网络（PINN）作为基于学习的方法。所有方法都在相同的基准实例上并根据相同的性能标准进行评估，以确保一致的比较。
经典求积方法：经典组合包括辛普森法则、高斯-勒让德求积法和龙贝格积分法，代表了三种互补的确定性积分策略。辛普森法则使用分段二次插值逼近被积函数，为光滑函数提供了精度和计算成本之间的高效平衡。高斯-勒让德求积法采用最优选择的节点和权重，以较少的函数评估次数实现高理论精度。龙贝格积分法将复合梯形法则与理查森外推法相结合，在保持确定性数值行为的同时加速收敛。这些方法共同构成了评估基于学习的积分器实际有效性的强大参考基线。在实验实现中，辛普森法则使用了特定数量的均匀分布采样点，高斯-勒让德求积法使用了特定数量的节点，而龙贝格积分法使用了特定的细化级别。这些配置在所有基准实例中保持不变。
神经网络积分器：提出的组合中考虑的第一种基于学习的方法是作为数值积分代理模型的前馈神经网络（NN）。网络首先学习被积函数的连续近似，然后通过对学到的函数进行数值积分来计算定积分。网络架构是一个全连接的前馈神经网络，包含两个隐藏层，每层32个神经元，使用双曲正切（tanh）激活函数。采用紧凑架构是为了平衡逼近能力和计算效率。模型参数通过最小化均方误差（MSE）进行优化，使用Adam优化器，学习率为特定值，训练60个epoch。训练完成后，学到的近似在积分区间内的密集点上进行评估，并使用应用于代理函数的数值求积法来估计定积分。与经典求积方法不同，神经方法的计算成本包括优化阶段和对训练模型的数值评估。因此，报告的执行时间反映了在所提出的评估协议下解决每个积分问题所需的总计算工作量。
物理信息神经网络（PINN）：物理信息神经网络（PINN）将数值积分形式化为学习一个原函数。神经网络逼近一个满足特定微分关系和边界条件的函数。在此条件下，定积分可以通过网络在积分上限处的值减去下限处的值来近似。网络通过最小化一个由微分残差项和边界条件项组成的复合损失来进行训练。PINN使用与标准神经网络相同的全连接架构，使用48个配点，Adam优化器，学习率为特定值，训练80个epoch。使用自动微分来计算配点处的导数。最终的积分近似值通过评估训练好的网络在积分上限处的值获得。
逐实例训练策略：NN和PINN模型为每个基准函数独立训练。这种逐实例训练策略代表了一种保守的评估场景，其中没有预先训练的模型或迁移学习机制可用。因此，报告的计算成本包括了完整的优化过程以及对学习到的代理的数值评估。此协议确保所有方法都使用解决每个积分问题所需的总计算工作量进行比较。
多目标评估：提出的框架的目标是识别在数值精度和计算效率之间提供最有利平衡的积分方法。因此，对于每个基准实例，所有候选方法都使用一个结合了归一化近似误差和归一化执行时间的多目标评分进行评估。数值精度通过相对误差量化。总体精度-成本得分被定义为这两个归一化分量的加权和，其中权重参数控制数值精度和计算成本的相对贡献。在所有实验中，该参数设置为相等权重。最后，每个基准实例的最优积分方法被定义为最小化该得分的那个方法，并被用作有监督算法选择的目标标签。
智能方法选择：提出的框架的最后阶段是学习被积函数的结构特征与最小化多目标性能评分的积分方法之间的关系。此任务被形式化为一个有监督的分类问题。选择随机森林（Random Forest）分类器是因为它能够建模非线性关系，在处理结构化数值特征时具有鲁棒性，并能提供特征重要性估计以助于解释算法选择过程。给定一个特征向量，分类器学习从特征到最优积分方法的映射。模型使用上一阶段生成的带标签的基准数据集进行训练。训练完成后，选择器可以为未见过的函数预测最合适的积分方法，而无需执行所有候选算法，从而避免了在线操作期间的穷举式方法评估。
实验设置：提出的框架在一个包含600个积分问题的基准上进行评估，这些问题均匀分布在六个代表性的函数家族中。所有候选积分方法都在相同的计算条件下执行。对于每个基准实例，使用高精度数值解作为计算相对误差的参考值。执行时间在相同的硬件和软件环境下测量，基于学习的方法的总计算成本包括模型训练和推理。对于算法选择阶段，完整的600个带标签的实例数据集使用70/30的分层划分分为训练集和测试集。随机森林分类器在训练子集上训练，并仅在留出的测试子集上进行评估。所有实验都在配备特定处理器、内存和GPU的工作站上进行。经典数值计算使用NumPy/SciPy浮点运算，而NN和PINN模型使用PyTorch实现，采用32位浮点张量。所有实验都在相同的硬件和软件环境下执行以确保可重复性。经典求积计算在CPU上执行，而神经模型在可用的CUDA加速GPU上执行。
结果
实验结果在统一的精度-成本标准下比较了经典和基于学习的积分方法。结果分为四个互补的分析：全局性能、家族特定行为、精度-成本权衡和智能方法选择。
全局性能比较：结果显示，在联合考虑精度和计算成本时，经典方法和基于学习方法之间存在明显的分离。从精度角度看，辛普森法则获得了最低的平均相对误差，其次是龙贝格积分法。高斯-勒让德求积法呈现出截然不同的模式，其平均相对误差远大于中位数，表明存在强右偏的误差分布，即一部分困难实例产生了显著更大的近似误差。基于学习的方法表现出更高的平均相对误差。在计算效率方面，经典方法明显快于基于学习的方法。龙贝格积分法的平均执行时间最短，其次是辛普森法则和高斯-勒让德求积法。相比之下，NN和PINN所需的平均执行时间要高得多，主要是因为它们的计算成本包括逐实例模型训练。在采用的精度-成本标准下，只有龙贝格积分法和辛普森法则被选为最优方法。龙贝格积分法在600个基准实例中被选择了425次（70.83%），而辛普森法则被选择了剩余的175次（29.17%）。高斯、NN和PINN从未被选中。
跨函数家族的性能：按函数家族分析时出现了明显差异。在简单线性、光滑多项式和光滑指数家族中，龙贝格积分法占据主导地位。对于高频振荡函数，观察到了截然不同的行为，辛普森法则在100个实例中被选择了98次，而龙贝格积分法仅被选择了两次。这种显著的转变表明振荡结构极大地改变了精度-成本权衡，并在采用的评估标准下强烈倾向于辛普森法则。对于混合光滑函数，龙贝格积分法仍然占主导地位。有理峰家族在非振荡家族中表现出最均衡的行为。
精度-成本权衡分析：图表显示了平均相对误差和执行时间之间的关系，揭示出两个清晰分离的性能区域。经典方法，特别是辛普森法则和龙贝格积分法，集中在图的左下区域，对应于低误差和低执行时间。相比之下，NN和PINN位于以显著更高的执行时间和更大数值误差为特征的区域。在所评估的基准下，经典方法在数值精度和计算效率方面都优于基于学习的方法。在总体层面上，基于学习的积分器与最强的经典方法相比，表现出不利的精度-成本权衡。因此，在采用的多目标标准下，两种基于学习的方法在600个基准实例中都没有被选为最优。这些发现对于信号处理、控制系统和实时仿真等工程应用尤为相关，在这些应用中，数值积分必须在严格的计算约束下重复进行。在这种情况下，增加计算成本而不提高数值精度的方法变得不那么有吸引力。
智能选择器行为：为了评估提出的选择器的有效性，分析了其在留出的180个基准实例测试集上的预测性能。随机森林分类器达到了83.89%的整体准确率，表明提取的数值特征保留了用于区分龙贝格积分法和辛普森法则最优性区域的实质性预测信息。在类别层面，龙贝格积分法获得了较高的精确率、召回率和F1分数，而辛普森法则的召回率相对较低。这表明选择器识别龙贝格积分法主导的实例比识别辛普森法则主导的实例更可靠。类别特定召回率的差异特别值得注意。尽管辛普森法则占整个基准中最优标签的29.17%，但其较低的召回率表明其部分最优性区域与那些数值特征类似于龙贝格积分法偏好的实例重叠。观察到的一个重要方面是，选择器仅在龙贝格积分法和辛普森法则之间运作，因为它们是唯一在采用的精度-成本标准下产生最优标签的方法。
特征重要性分析：特征重要性分析提供了对随机森林选择器决策过程的额外见解。该分析识别了对区分龙贝格积分法和辛普森法则最优性区域贡献最大的被积函数数值特征。最具影响力的特征是过零点数（zero_crossings），其次是总变差（total_variation）、平均绝对斜率（mean_abs_slope）和平均绝对差（mean_abs_diff）。这些结果表明，选择器主要依赖于与振荡行为、全局变异性和被积函数局部变化相关的描述符。过零点数的突出性尤其相关，因为它直接指示了振荡结构，而这强烈地区分了候选方法的行为。此结果与家族特定分析一致。其他特征也对决策过程有所贡献，如最小值（min_y）、最大绝对斜率（max_abs_slope）和均值（mean_y）的重要性表明函数幅度和局部变化都提供了互补信息。
消融研究：进行了消融分析以评估不同组别的被积函数描述符对算法选择器预测性能的贡献。评估了四种配置：(i) 完整的十特征表示；(ii) 移除振荡描述符（过零点数）；(iii) 移除与变异性和斜率相关的描述符（平均绝对差、总变差、平均绝对斜率和最大绝对斜率）；以及 (iv) 仅保留五个基本统计描述符的简化表示。性能通过准确率、加权F1分数以及针对龙贝格积分法和辛普森法则最优实例的类别特定F1分数进行评估。完整的十特征表示达到了最高的准确率和加权F1分数。单独移除过零点数描述符产生了略高的准确率和加权F1分数，表明当剩余结构特征可用时，该描述符并非必需。相反，移除与变异性和斜率相关的描述符降低了准确率和加权F1分数。当仅保留五个基本统计描述符时，观察到了最大的降低。类别特定性能也遵循类似的模式。消融结果加强了在提出的选择器中使用异构特征表示的理由。
讨论
总体而言，实验结果阐明了经典数值方法和基于学习方法在自适应数值积分中的相对作用。在包含600个积分问题的扩展基准和采用的逐实例训练策略下，经典求积方法始终比评估的神经网络和物理信息积分器实现了更有利的精度-成本权衡。这些发现并非暗示一种计算范式普遍优于另一种，而是有助于界定科学机器学习（SciML）能够提供实际优势的条件。扩展基准的结果强化了经典求积方法在此类设置中的竞争力。辛普森法则获得了最低的平均相对误差，其次是龙贝格积分法，而它们的平均执行时间极低。这些发现与数值分析中成熟的理论一致，其中确定性求积方法为光滑的低维被积函数提供了严格的收敛特性和高计算效率。尽管高斯-勒让德求积法的中位数相对误差接近机器精度，但其显著更大的平均相对误差和精度-成本得分使其在任何基准实例中都未被选为最优。更重要的是，这种行为说明了提出框架的一个核心方面：算法选择是由联合的精度-成本标准驱动的，而非仅仅依靠数值精度。家族特定结果进一步表明，没有单一的经典方法在所有被积函数结构上都是普遍首选的。龙贝格积分法在大多数家族中占主导地位，而辛普森法则在高频振荡实例中占压倒性优势。向辛普森法则的显著转变证实了方法偏好随被积函数结构而变化。
基于学习的积分器的行为也应在其采用的实验协议背景下进行解释。在本研究中，NN和PINN均为每个基准实例独立训练，阻止了优化成本在多次评估中被分摊。在此条件下，与逐实例训练相关的额外计算开销并未通过逼近精度的提高得到补偿，因此在600个基准实例中，两种基于学习的积分器均未在任何实例中被选为最优。这些发现并不与基于学习的数值方法的最新进展相矛盾，而是界定了此类方法预期具有竞争力的计算范围。在高维、参数化或重复评估的设置中，当训练成本可以在多个问题间分摊时，可能会出现不同的结论。
本研究的主要贡献之一是将数值积分形式化为一个智能算法选择问题。随机森林选择器在留出测试集上达到了83.89%的准确率和0.83的加权F1分数。类别特定结果表明，龙贝格积分法最优的实例比辛普森法则最优的实例被更可靠地识别，这表明在刻画它们各自最优性区域之间的转换方面仍有改进空间。这种解释与算法选择范式一致。特征重要性分析为此提供了额外支持。与振荡和变异性相关的描述符是最具影响力的特征，这与经典数值分析中传统上与求积性能相关的属性以及在高频振荡被积函数中观察到的方法偏好的显著变化相一致。这种特征重要性与观察到的数值行为之间的一致性表明，选择器捕捉到了被积函数结构与数值方法性能之间有意义的联系。
消融分析提供了关于这些描述符作用的补充证据。单独移除振荡描述符并未恶化预测性能，这表明过零点数所代表的部分信息也被其他结构特征所捕获。相反，移除与变异性和斜率相关的描述符组降低了分类性能，而当表示限制在基本统计特征时，退化更为明显。这种效应对于辛普森法则最优的实例尤为明显，表明区分这些情况受益于描述局部变化和结构行为的信息，而不仅仅是全局汇总统计量。重要的是，这些发现也限定了个别特征重要性值的解释：预测性能似乎不依赖于单一的主导描述符，而是依赖于被积函数多种特征所提供的互补信息。因此，消融结果加强了在提出的选择器中使用异构特征表示的理由。
从更广阔的角度看，这些结果强化了科学机器学习（SciML）内部一个日益重要的观点：机器学习可以通过支持计算决策提供巨大价值，而不必非要取代成熟的数值算法。在嵌入式系统、边缘计算和实时仿真等工程应用中，自适应算法选择可能比不加区分地应用计算昂贵的基于学习的求解器提供更大的实际效益。提出的框架展示了数据驱动的决策模型和经典数值方法如何作为互补技术协同工作，将确定性算法的可靠性和计算效率与机器学习的适应性结合起来。从这个意义上说，提出方法的贡献不在于证明机器学习可以超越经典数值积分，而在于展示基于学习的决策机制如何能够根据积分问题的特征来识别何时不同的既定数值策略是可取的。
结论
本研究提出了一个基于算法选择的自适应数值积分框架。提出的方法利用被积函数的结构特征，根据联合的精度-成本标准在异构数值方法中进行选择，而不是引入新的积分算法或将机器学习用作直接的数值求解器。实验表明，在所考虑的各个函数家族中，方法偏好有所不同。在采用的基准下，龙贝格积分法和辛普森法则提供了最有利的精度-成本权衡，而评估的神经网络和物理信息积分器由于其逐实例训练要求而产生了显著更高的计算成本。这些结果是针对此处考虑的低维、单实例设置的；在参数化、重复评估或更高维度的问题中，当训练成本可以被分摊时，可能会出现不同的行为。随机森林选择器基于被积函数的可解释描述符实现了预测性能。消融分析表明，移除与变异性和斜率相关的特征会降低分类性能，尤其是对于辛普森法则最优的实例，而单独移除振荡描述符几乎没有造成退化。因此，预测性能依赖于统计和结构描述符提供的组合信息，而非单一特征。几个局限性界定了这些结果的范围。基准包含来自六个预定义函数家族的600个一维积分问题，并且基于学习的积分器是为每个实例独立训练的。训练和测试实例是独立生成的，但属于相同的函数家族。因此，报告的分类性能衡量的是对已知家族中未见参数化的泛化能力，而非对完全未见过的被积函数类别的泛化能力。此外，精度-成本标准和由此产生的方法偏好取决于所采用的计算配置和加权策略。未来的工作将研究跨家族泛化、多维和高维积分，以及参数化或重复评估的设置。还将研究更广泛的数值方法组合、更丰富的被积函数表示以及替代的算法选择模型。将特别关注测量选择器在线操作期间端到端的计算收益，并评估其在不同计算环境和不同精度-成本加权策略下的鲁棒性。
