--- title: "Zig vs Fortran para Computação Científica" url: "https://ziglang.com.br/artigos/zig-vs-fortran-para-computa%C3%A7%C3%A3o-cient%C3%ADfica/" markdown_url: "https://ziglang.com.br/artigos/zig-vs-fortran-para-computa%C3%A7%C3%A3o-cient%C3%ADfica.MD" description: "Comparação entre Zig e Fortran para computação científica e numérica. Análise de arrays, SIMD, interop com bibliotecas numéricas, performance e produtividade para HPC." date: "2026-02-21" author: "Zig Brasil" --- # Zig vs Fortran para Computação Científica Comparação entre Zig e Fortran para computação científica e numérica. Análise de arrays, SIMD, interop com bibliotecas numéricas, performance e produtividade para HPC. ## Introdução Fortran é a linguagem que praticamente inventou a computação científica. Desde 1957, código Fortran roda simulações climáticas, cálculos de dinâmica de fluidos, astrofísica e engenharia estrutural. Zig, por outro lado, é uma linguagem moderna de sistemas que oferece controle de baixo nível com segurança prática. A pergunta "Zig pode substituir Fortran para computação científica?" merece uma análise cuidadosa. Este artigo explora onde Zig se destaca e onde Fortran ainda reina. Para outras comparações, veja [Zig vs Assembly](/artigos/zig-vs-assembly/) e [Zig vs C Moderno (C23)](/artigos/zig-vs-c-moderno/). ## Fortran: O Rei da Computação Numérica ### Por Que Fortran Persiste Fortran sobrevive não por inércia, mas porque oferece vantagens genuínas para computação numérica: - **Arrays multidimensionais nativos**: Arrays com múltiplas dimensões são cidadãos de primeira classe - **Column-major layout**: Otimizado para álgebra linear - **Aliasing rules**: O compilador pode assumir que ponteiros não se sobrepõem (como `restrict` em C) - **Bibliotecas maduras**: LAPACK, BLAS, FFTW, PETSc — décadas de código otimizado - **Paralelismo integrado**: Coarrays e DO CONCURRENT para paralelismo ```fortran ! Fortran: multiplicação de matrizes nativa program matmul_exemplo real, dimension(1000, 1000) :: A, B, C call random_number(A) call random_number(B) C = matmul(A, B) ! operação nativa da linguagem end program ``` ## Zig: Controle Moderno para Computação Científica ### Vantagens de Zig para HPC Zig traz ferramentas modernas que Fortran não oferece: - **SIMD nativo**: Tipos vetoriais que compilam para instruções SIMD reais - **Comptime**: Geração de kernels especializados em tempo de compilação - **Gerenciamento de memória explícito**: Controle total sobre alocação e layout - **Interop com C**: Acesso direto a BLAS, LAPACK e qualquer biblioteca C - **Cross-compilation**: Compile para qualquer arquitetura de um único host ```zig const std = @import("std"); // SIMD nativo em Zig const Vec8f = @Vector(8, f32); fn dotProductSimd(a: []const f32, b: []const f32) f32 { var soma: Vec8f = @splat(0); var i: usize = 0; while (i + 8 <= a.len) : (i += 8) { const va: Vec8f = a[i..][0..8].*; const vb: Vec8f = b[i..][0..8].*; soma += va * vb; } var resultado = @reduce(.Add, soma); // Processar elementos restantes while (i < a.len) : (i += 1) { resultado += a[i] * b[i]; } return resultado; } ``` ### Comptime para Kernels Especializados Uma das maiores vantagens de Zig é gerar código especializado em tempo de compilação: ```zig fn criarKernelConvolucao(comptime tamanho: usize) type { return struct { kernel: [tamanho][tamanho]f32, pub fn aplicar(self: @This(), imagem: []const f32, largura: usize) f32 { var soma: f32 = 0; inline for (0..tamanho) |dy| { inline for (0..tamanho) |dx| { soma += imagem[dy * largura + dx] * self.kernel[dy][dx]; } } return soma; } }; } // Kernel 3x3 com loops completamente unrolled em compilação const Gaussian3x3 = criarKernelConvolucao(3); ``` ## Comparação Detalhada ### Arrays e Dados Numéricos | Aspecto | Zig | Fortran | |---------|-----|---------| | Arrays multidimensionais | Via slices e structs | Nativo, primeira classe | | Layout de memória | Row-major (como C) | Column-major | | Slicing | Suportado | Nativo, muito poderoso | | Broadcasting | Manual | Nativo com operações de array | | Operações vetoriais | Via @Vector e loops | Nativas (A + B, matmul) | ### Performance | Aspecto | Zig | Fortran | |---------|-----|---------| | SIMD | Tipos vetoriais nativos | Auto-vetorização do compilador | | Otimização numérica | LLVM (excelente) | GFortran/ifort (excelente) | | Aliasing | Não assume (como C) | Assume não-aliasing | | Loop unrolling | Comptime inline for | Diretivas do compilador | | Precisão | IEEE 754 estrito | Pode relaxar com flags | ### Ecossistema Científico | Aspecto | Zig | Fortran | |---------|-----|---------| | BLAS/LAPACK | Via @cImport | Nativo ou via linking | | FFTW | Via @cImport | Via linking | | MPI | Via @cImport | Nativo (Fortran MPI bindings) | | Visualização | Sem bibliotecas nativas | Limitado (geralmente via Python) | | Machine Learning | Inexistente | Limitado | ## Interoperabilidade: O Trunfo de Zig Zig pode usar todas as bibliotecas C de computação científica diretamente. Isso inclui BLAS, LAPACK, FFTW, HDF5, e qualquer outra biblioteca com interface C: ```zig const c = @cImport({ @cInclude("cblas.h"); }); fn multiplicarMatrizes( A: []const f64, B: []const f64, C: []f64, m: usize, n: usize, k: usize, ) void { c.cblas_dgemm( c.CblasRowMajor, c.CblasNoTrans, c.CblasNoTrans, @intCast(m), @intCast(n), @intCast(k), 1.0, // alpha A.ptr, @intCast(k), B.ptr, @intCast(n), 0.0, // beta C.ptr, @intCast(n), ); } ``` Veja [Chamar Funções C de Zig](/receitas/zig-chamar-funcao-c/) e [Interoperabilidade C-Zig](/tutoriais/zig-c-interoperabilidade/). ## Quando Escolher Cada Uma ### Escolha Zig quando: - O projeto começar do zero e não tiver legado Fortran - Precisar de controle explícito de memória e alocação - SIMD manual e kernels otimizados forem necessários - Cross-compilation for requisito (embarcados com computação numérica) - O projeto misturar computação numérica com I/O, networking ou sistemas - Quiser integrar com bibliotecas C existentes ### Escolha Fortran quando: - Trabalhar com codebases Fortran existentes - O domínio for álgebra linear pura, simulações ou CFD - A equipe já conhecer Fortran - Arrays multidimensionais e operações de array nativos forem essenciais - Coarrays e paralelismo integrado forem vantajosos - Usar ferramentas HPC que esperam Fortran (MPI Fortran bindings, etc.) ### Use ambas quando: - Zig como linguagem principal com chamadas a bibliotecas Fortran via C interface - Kernels numéricos em Fortran integrados a um sistema maior em Zig - Migração gradual de Fortran para Zig ## O Futuro Zig está ganhando tração em nichos onde computação de baixo nível e sistemas se encontram — como IoT com processamento de sinais, firmware com DSP, e servidores de alto desempenho. Fortran continua dominante em simulações científicas tradicionais. O cenário mais provável é coexistência: Zig para o "glue code" e sistemas ao redor, Fortran para os kernels numéricos já otimizados ao longo de décadas. ## Conclusão Fortran não é uma linguagem ultrapassada — é uma linguagem especializada que continua sendo a melhor escolha para certos domínios de computação científica. Zig não pretende substituir Fortran, mas oferece uma alternativa moderna para novos projetos que combinam computação numérica com programação de sistemas. Para computação científica de alto nível, vale a pena explorar também o ecossistema de Python, amplamente utilizado com NumPy, SciPy e outras bibliotecas numéricas. Para aprender mais sobre Zig, comece com [Introdução ao Zig](/tutoriais/introducao-ao-zig/) e explore [Arrays Multidimensionais](/receitas/zig-array-multidimensional/) e [benchmarking em Zig](/receitas/zig-benchmark-performance/).