Julia para engenheiros, minhas impressões

Desde meados de 2024 tenho iniciado um processo muito interessante de exploração de uma linguagem de programação diferente daquela que já vinha utilizando ha um bom tempo, ou seja, Python.

Python foi um bom companheiro durante pelo menos 10 anos de minha trajetória acadêmica. Python me acompanhou na graduação, no mestrado e no doutorado! Essa linguagem de programação incrível foi uma peça central em quase todos os meus trabalhos acadêmicos durante todo esse tempo, e eu sinceramente não espero deixar de utilizar Python na maioria dos trabalhos que tenho executado como professor e pesquisador na área de sistemas elétricos de potência. Porém, algumas alternativas podem ser interessantes de ser exploradas, na verdade, já há um bom tempo existe uma alternativa para a área de computação numérica tem ganhado um número cada vez maior de entusiastas. Essa linguagem de programação que já tem pelo menos 15 anos de vida, chama-se Julia e tem um ecossistema de bibliotecas vibrante e em pleno crescimento, pronto para ser explorado e descoberto por quem se interessa pela área de computação científica.

É fato que essa área foi dominada durante muito tempo inicialmente pela linguagem Fortran e depois disso, talvez pela linguagem Matlab, que tem sua versão open-source definida pelo Octave. Matlab/Octave foram certamente meu primeiro contato com as linguagem de programação científicas e eu pude trabalhar com elas durante algum bom tempo na minha graduação, mas a descoberta de Python, que estava integrada de um modo tão próximo do ambiente Linux me fizeram deixar essas possibilidades de lado talvez de forma precoce para um acadêmico, mas certamente de forma definitiva, de modo que evitei e continuo evitando essas alternativas o máximo que pude ao longo de minha trajetória profissional.

A descoberta das bibliotecas Python Numpy, Scipy e Matplotlib foram algo muito marcante na minha trajetória de aprendizado dessas novas tecnologias de computação científica. A combinação dessas três bibliotecas ofereciam basicamente tudo que o Matlab poderia oferecer, e o melhor de tudo, são software livre e integradas com o ambiente Linux com facilidade. Além disso, por ser Python uma linguagem de propósito geral, a possibilidade de integrar essas ferramentas com outros frameworks como por exemplo, frameworks para construção de sistemas web, interfaces gráficas, interação com bancos de dados, entre outras infinitas possibilidades torna Python uma das ferramentas mais poderosas para um cientista/programador aprender e utilizar na construção de aplicações. Essa foi sem dúvida a minha visão.

Com a minha entrada na pós-graduação, as possibilidades certamente foram ampliadas, com por exemplo, a descoberta de outras bibliotecas e aplicações do mundo Python que o tornam ainda mais poderoso, como por exemplo as bibliotecas: Pandas, Scikit-Learn, Pyomo, Mosaik, Pandapower, Pypower e até mesmo, (por que não?) os frameworks web Flask e Django. E sem esquecer, é claro, toda a facilidade que a distribuição científica de Python proporciona, estou falando da distribuição Python Anaconda.

Outra aplicação que me marcou e que é simplesmente fantástica, foram os Jupyter Notebooks, que são uma evolução do IPython terminal e que proporcionam toda aquela integração entre código e texto markdown rodando diretamente no navegador de internet! Simplesmente sensacional!

Um mundo de possibilidades se abre com a simples leitura de alguns poucos tutoriais dessas bibliotecas Python. Mas aí vêm as primeiras limitações, que sem dúvidas a mais importante é a velocidade de execução dos algoritmos quando comparado à outras linguagens de programação, inclusive o próprio Matlab/Octave.

É nesse contexto, sem dúvida, que começa a nascer um crescente interesse por essa linguagem de programação que nasce tímida meio que ofuscada pelo sucesso de Python, mas que com o tempo vem se mostrando cada vez mais robusta e com um ecossistema que cresce e se diversifica proporcionando a possibilidade de utilização de diferentes ferramentas para o desenvolvimento de aplicações científicas altamente profissionais, e o que é melhor, totalmente open-source em sua grande maioria. Estou falando do Julia, é claro.

O Julia vem com uma promessa interessante de fusão do que há de melhor entre as três linguagens de programação mais utilizadas por cientistas no mundo: Python, Matlab e R. E ainda com um conceito de múltiplo despacho que o torna único, além é claro do foco em velocidade de execução. Isso o torna uma opção muito competitiva para ser utilizado no desenvolvimento de aplicações científicas, além é claro, diferente de Python, por exemplo, de ter foco em computação cientifica, o que deixa sua sintaxe muito mais clara, fácil e concisa na realização de operações com matrizes. Veja:

Declaração de duas matrizes e a multiplicação entre elas usando Python:

import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

C = np.dot(A, B)

Declaração de duas matrizes e a multiplicação entre elas usando Julia:

A = [1 2; 3 4]
B = [5 6; 7 8]

C = A * B

O ecossistema Julia já possui muitas bibliotecas que substituem de maneira muito satisfatória suas equivalentes Python. Alguns exemplos mais notáveis são:

• Numpy: Julia já possui nativamente suporte à manipulação e operações de estruturas matriciais e de arranjos numéricos.
• Scipy: Julia também já possui nativamente suporte à diversas áreas de aplicação científica, como por exemplo Álgebra Linear, Probabilidade, Cálculo, etc. Além disso, como foco de Julia é computação científica, Julia não possui uma biblioteca que concentre várias funcionalidades de computação científica como o Scipy, mas ao invés disso diversas bibliotecas voltadas cada uma para determinada área do conhecimento. Ou seja, o ambiente de bibliotecas científicas é bem mais diverso do que o próprio ambiente Python.
• Matplotlib: A biblioteca Julia Plots faz um bom trabalho na plotagem de gráficos, embora existam outras boas alternativas como por exemplo, Makie.
• Pandas: A biblioteca DataFrames é um belo substituto ao Pandas.
• Jupyter: O projeto Jupyter já nasceu com a ideia de poder executar utilizando o mesmo frontend diversos kernels cada um fornecendo suporte à uma linguagem de programação. Na verdade, Julia faz parte do nome do projeto, uma vez que temos: Ju de Julia, Py de Python e teR de R. Dessa forma, é natural poder utilizar um notebook Jupyter com um kernel Julia usando suas inúmeras funcionalidades. Para instalar um kernel Julia no Jupyter, basta instalar a biblioteca IJulia no ambiente Julia padrão e o kernel Julia é reconhecido de forma automática, sem nenhuma ação adicional necessária.

Nesse ponto acho apropriado mencionar um projeto muito popular na comunidade Julia e que tem uma proposta muito interessante, que é o projeto Pluto notebooks. Trata-se de um sistema de notebooks semelhante aos Jupyter mas com uma interface muito mais elegante, minimalista e pensada na experiência do usuário e além disso com uma diferença essencial, trata-se de um notebook reativo, ou seja, o estado de cada célula é consistente com todas as outras células do notebook, algo parecido com o que acontece em uma planilha de Excel. Dessa forma, sempre que, por exemplo, uma variável é atualizada em uma célula, essa alteração é refletida de forma automática em todas as outras células do notebook. A primeira vista essa característica pode parecer uma limitação, mas é uma peça chave para que os Pluto Notebook sejam muito mais voltados à reprodutibilidade que os notebooks Jupyter. Outra característica excelente desses notebooks é que ao contrário dos Jupyter notebooks, que têm um formato próprio, .ipynb, os notebooks Julia têm extensão .jl e todas as informações de configuração do notebooks são armazenadas em forma de comentário, isso facilita muito a utilização de notebooks Pluto com sistemas de controle de versão de código. Por fim, os notebooks Pluto possuem informações de versionamento das bibliotecas utilizadas no próprio arquivo .jl o que reforça muito essa característica de reprodutibilidade dos Pluto notebooks. Vale muito a pena testar notebooks Pluto.

Para finalizar esse artigo, concluo dizendo que o ecossistema Julia é muito rico e diverso, e que ao contrário de Python, que para computação científica muitas vezes concentra as soluções na biblioteca Scipy, em Julia as soluções para os problemas diversos das diversas áreas da ciência estão espalhadas por muitas iniciativas em grupos de pesquisa espalhados pelo mundo todo e que encontraram no Julia uma solução elegante e eficiente para utilizar em suas pesquisas. Um bom exemplo disso é a biblioteca PowerModels.jl para quem é da área de sistemas de potência, uma biblioteca excelente que mescla fluxo de carga com otimização matemática por meio da biblioteca JuMP de forma que nenhum outro projeto consegue e que é desenvolvida por um instituto de pesquisa de ponta, nos Estados Unidos, em Los Alamos.

Em uma próxima postagem irei mencionar as principais ferramentas necessárias para facilitar o desenvolvimento de aplicações em Julia.