Katherine Louise Bouman (nacida en 1989) es una ingeniera y científica informática estadounidense que trabaja en el campo de la imagen computacional. Lideró el desarrollo de un algoritmo para obtener imágenes de agujeros negros, conocido como Reconstrucción de Imágenes de Alta Resolución Continua mediante Priors de Parches (CHIRP), y fue miembro del equipo del Telescopio del Horizonte de Sucesos que capturó la primera imagen de un agujero negro.
El trabajo de Bouman une el aprendizaje automático y la inteligencia artificial para resolver problemas inversos en imágenes, donde el objetivo es reconstruir un objeto oculto a partir de mediciones indirectas. Sus contribuciones al proyecto del Telescopio del Horizonte de Sucesos demostraron cómo los métodos computacionales pueden extraer información física de datos dispersos y ruidosos, un desafío central en la investigación moderna de aprendizaje profundo.
Vida temprana y educación
Bouman creció en West Lafayette, Indiana. Su padre, Charles Bouman, es profesor de ingeniería eléctrica e informática e ingeniería biomédica en la Universidad de Purdue. Durante la escuela secundaria, Bouman realizó investigaciones en imágenes en la Universidad de Purdue, obteniendo una exposición temprana al campo. Se graduó de la Escuela Secundaria West Lafayette Junior-Senior en 2007.
Bouman estudió ingeniería eléctrica en la Universidad de Míchigan y se graduó summa cum laude en 2011. Obtuvo su maestría en 2013 y un doctorado en ingeniería eléctrica e informática en 2017 del Instituto de Tecnología de Massachusetts (MIT). En el MIT, fue miembro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (MIT CSAIL), que trabajó estrechamente con el Observatorio Haystack del MIT y el Telescopio del Horizonte de Sucesos. Fue apoyada por una Beca de Posgrado de la Fundación Nacional de Ciencias.
Su tesis de maestría, Estimación de Propiedades de Materiales de Telas mediante la Observación del Movimiento, fue galardonada con el Premio Ernst Guillemin a la Mejor Tesis de Maestría en ingeniería eléctrica. Su disertación doctoral, Imágenes extremas mediante inversión de modelos físicos: viendo alrededor de esquinas y obteniendo imágenes de agujeros negros, fue supervisada por William T. Freeman. Antes de recibir su doctorado, Bouman ofreció una charla TEDx, Cómo Tomar una Fotografía de un Agujero Negro, que explicaba algoritmos que podrían usarse para capturar la primera imagen de un agujero negro.
Investigación y carrera
Después de obtener su doctorado, Bouman se unió a la Universidad de Harvard como becaria posdoctoral en el equipo de Imágenes del Telescopio del Horizonte de Sucesos. Se había unido al proyecto del Telescopio del Horizonte de Sucesos en 2013, donde lideró el desarrollo del algoritmo CHIRP. CHIRP es una técnica de imagen computacional que utiliza priors de parches - modelos estadísticos de pequeños parches de imagen - para reconstruir imágenes de alta resolución a partir de datos telescópicos dispersos.
CHIRP inspiró los procedimientos de validación de imágenes utilizados para adquirir la primera imagen de un agujero negro en abril de 2019. Bouman desempeñó un papel significativo en el proyecto al verificar imágenes, seleccionar parámetros para filtrar las imágenes tomadas por el Telescopio del Horizonte de Sucesos y participar en el desarrollo de un marco de imagen robusto que comparaba los resultados de diferentes técnicas de reconstrucción de imágenes. Su grupo continúa analizando las imágenes del Telescopio del Horizonte de Sucesos para aprender más sobre la relatividad general en un campo gravitacional fuerte.
Bouman recibió una atención mediática significativa después de que una foto que mostraba su reacción a la detección de la sombra del agujero negro en las imágenes del EHT se volviera viral. Algunas personas en los medios e Internet sugirieron engañosamente que Bouman era un "genio solitario" detrás de la imagen. Sin embargo, Bouman misma señaló repetidamente que el resultado provino del trabajo de una gran colaboración, mostrando la importancia del trabajo en equipo en la ciencia. Bouman también se convirtió en objetivo de acoso en línea, hasta el punto de que su colega Andrew Chael hizo una declaración en Twitter criticando "ataques horribles y sexistas contra mi colega y amiga", incluidos intentos de socavar sus contribuciones atribuyéndole únicamente el trabajo realizado por el equipo.
Nombramientos académicos
Bouman se unió al Instituto de Tecnología de California (Caltech) como profesora asistente en junio de 2019, donde trabaja en nuevos sistemas de imagen computacional utilizando visión por computadora y aprendizaje automático. En 2020, Caltech le otorgó una cátedra nombrada. En 2024, fue promovida a profesora asociada de ciencias computacionales y matemáticas, ingeniería eléctrica y astronomía, y también se convirtió en Académica Rosenberg.
En Caltech, Bouman lidera un grupo de investigación centrado en desarrollar algoritmos que integran modelos físicos con enfoques de redes neuronales. Su trabajo se extiende más allá de la imagen de agujeros negros a aplicaciones en imágenes médicas y otras áreas donde los sensores capturan datos incompletos. Ha explorado cómo las técnicas de IA generativa y arquitecturas transformadoras pueden adaptarse para problemas inversos, aunque su enfoque principal sigue siendo en métodos de reconstrucción basados en física.
Reconocimiento y premios
Las contribuciones de Bouman han sido ampliamente reconocidas. En 2019, fue nombrada una de las 100 mujeres de la BBC. En 2021, el asteroide 291387 Katiebouman fue nombrado en su honor, y recibió la Medalla de Progreso y la Beca Honoraria de la Sociedad Real de Fotografía. En 2024, recibió una Beca de Investigación Sloan, que apoya a investigadores en etapas tempranas de su carrera en ciencia y tecnología.
Su reconocimiento refleja tanto sus logros técnicos como su papel como defensora pública de la ciencia colaborativa. Bouman ha hablado sobre la importancia del trabajo interdisciplinario, combinando experiencia en física, informática y técnicas de aumento de datos para resolver problemas que ningún campo puede abordar solo.
Impacto en la imagen computacional
La imagen del Telescopio del Horizonte de Sucesos del agujero negro en el centro de la galaxia M87 fue un logro histórico en la ciencia. El algoritmo CHIRP de Bouman fue uno de varios métodos utilizados para reconstruir la imagen a partir de datos recopilados por una red global de radiotelescopios. El éxito demostró que la imagen computacional podía superar los límites físicos de la resolución telescópica, un principio ahora aplicado en campos que van desde la astronomía hasta los sistemas de imagen quirúrgicos intuitivos.
El enfoque de Bouman enfatiza la importancia de la cuantificación de incertidumbre en imágenes. En lugar de producir una sola imagen, sus algoritmos generan múltiples reconstrucciones plausibles, permitiendo a los científicos evaluar qué características son robustas y cuáles dependen de elecciones algorítmicas. Esta metodología ha influido en cómo los investigadores en aprendizaje automático abordan problemas donde no hay una verdad fundamental disponible.
Participación pública y medios
La foto viral de Bouman reaccionando a la imagen del agujero negro le trajo atención internacional. Ha utilizado esta plataforma para discutir la naturaleza de la colaboración científica y el papel de la computación en la investigación moderna. Su charla TEDx, ofrecida antes de que se capturara la imagen, explicó los desafíos algorítmicos de obtener imágenes de un objeto que está a 55 millones de años luz de distancia.
Bouman también ha abordado los desafíos que enfrentan las mujeres en campos STEM. El acoso en línea que experimentó destacó problemas persistentes de sexismo en la ciencia, y su respuesta - enfatizando el trabajo en equipo y la evidencia - ha sido citada como un modelo para manejar el escrutinio público. Continúa abogando por entornos de investigación inclusivos.
Trabajo actual
A partir de 2024, la investigación de Bouman en Caltech se centra en desarrollar nuevos sistemas de imagen computacional que combinan modelos físicos con técnicas de aprendizaje profundo. Su grupo investiga cómo aprender priors a partir de datos mientras se mantiene la consistencia física, un tema relevante tanto para aplicaciones de visión por computadora como de imágenes médicas. También explora conexiones entre imágenes y otros problemas inversos en inteligencia artificial, como la superresolución y la restauración de imágenes.
El trabajo de Bouman ejemplifica la convergencia del procesamiento de señales, la optimización y el aprendizaje automático que caracteriza la ciencia computacional moderna. Su trayectoria profesional - desde la investigación de posgrado en el MIT hasta roles de liderazgo en importantes colaboraciones científicas - ilustra cómo la investigación fundamental en algoritmos puede llevar a descubrimientos transformadores.