Katherine Louise Bouman (née en 1989) est une ingénieure et informaticienne américaine travaillant dans le domaine de l'imagerie computationnelle. Elle a dirigé le développement d'un algorithme pour imager les trous noirs, connu sous le nom de Continuous High-resolution Image Reconstruction using Patch priors (CHIRP), et a été membre de l'équipe du télescope Event Horizon qui a capturé la première image d'un trou noir.
Le travail de Bouman relie apprentissage automatique et intelligence artificielle pour résoudre des problèmes inverses en imagerie, où l'objectif est de reconstruire un objet caché à partir de mesures indirectes. Ses contributions au projet du télescope Event Horizon ont démontré comment les méthodes computationnelles peuvent extraire des informations physiques à partir de données clairsemées et bruitées, un défi central à la recherche moderne en apprentissage profond.
Jeunesse et éducation
Bouman a grandi à West Lafayette, dans l'Indiana. Son père, Charles Bouman, est professeur de génie électrique et informatique et de génie biomédical à l'université Purdue. Au lycée, Bouman a mené des recherches en imagerie à l'université Purdue, acquérant ainsi une exposition précoce au domaine. Elle est diplômée de la West Lafayette Junior-Senior High School en 2007.
Bouman a étudié le génie électrique à l'université du Michigan et a obtenu son diplôme avec la plus haute distinction en 2011. Elle a obtenu sa maîtrise en 2013 et un doctorat en génie électrique et informatique en 2017 au Massachusetts Institute of Technology (MIT). Au MIT, elle était membre du MIT Computer Science and Artificial Intelligence Laboratory (MIT CSAIL), qui travaillait en étroite collaboration avec l'observatoire Haystack du MIT et le télescope Event Horizon. Elle a été soutenue par une bourse d'études supérieures de la National Science Foundation.
Sa thèse de maîtrise, Estimating Material Properties of Fabric through the Observation of Motion, a reçu le prix Ernst Guillemin pour la meilleure thèse de maîtrise en génie électrique. Sa thèse de doctorat, Extreme imaging via physical model inversion: seeing around corners and imaging black holes, a été supervisée par William T. Freeman. Avant d'obtenir son doctorat, Bouman a donné une conférence TEDx, How to Take a Picture of a Black Hole, qui expliquait les algorithmes pouvant être utilisés pour capturer la première image d'un trou noir.
Recherche et carrière
Après avoir obtenu son doctorat, Bouman a rejoint l'université Harvard en tant que chercheuse postdoctorale au sein de l'équipe d'imagerie du télescope Event Horizon. Elle avait rejoint le projet du télescope Event Horizon en 2013, où elle a dirigé le développement de l'algorithme CHIRP. CHIRP est une technique d'imagerie computationnelle qui utilise des a priori de patchs - des modèles statistiques de petits patchs d'image - pour reconstruire des images haute résolution à partir de données télescopiques clairsemées.
CHIRP a inspiré les procédures de validation d'images utilisées pour acquérir la première image d'un trou noir en avril 2019. Bouman a joué un rôle significatif dans le projet en vérifiant les images, en sélectionnant les paramètres pour filtrer les images prises par le télescope Event Horizon, et en participant au développement d'un cadre d'imagerie robuste qui comparait les résultats de différentes techniques de reconstruction d'images. Son groupe continue d'analyser les images du télescope Event Horizon pour en savoir plus sur la relativité générale dans un champ gravitationnel fort.
Bouman a reçu une attention médiatique significative après qu'une photo montrant sa réaction à la détection de l'ombre du trou noir dans les images du télescope Event Horizon soit devenue virale. Certaines personnes dans les médias et sur Internet ont laissé entendre, de manière trompeuse, que Bouman était un « génie solitaire » derrière l'image. Cependant, Bouman elle-même a noté à plusieurs reprises que le résultat provenait du travail d'une grande collaboration, montrant l'importance du travail d'équipe en science. Bouman est également devenue la cible de harcèlement en ligne, au point que son collègue Andrew Chael a fait une déclaration sur Twitter critiquant les « attaques horribles et sexistes contre ma collègue et amie », y compris des tentatives de saper ses contributions en lui attribuant uniquement le travail accompli par l'équipe.
Nominations académiques
Bouman a rejoint le California Institute of Technology (Caltech) en tant que professeure adjointe en juin 2019, où elle travaille sur de nouveaux systèmes d'imagerie computationnelle utilisant la vision par ordinateur et l'apprentissage automatique. En 2020, Caltech lui a décerné une chaire nommée. En 2024, elle a été promue professeure associée en sciences computationnelles et mathématiques, génie électrique et astronomie, et est également devenue boursière Rosenberg.
À Caltech, Bouman dirige un groupe de recherche axé sur le développement d'algorithmes qui intègrent des modèles physiques avec des approches réseaux de neurones. Son travail s'étend au-delà de l'imagerie des trous noirs à des applications en imagerie médicale et dans d'autres domaines où les capteurs capturent des données incomplètes. Elle a exploré comment les techniques de IA générative et les architectures transformeurs peuvent être adaptées pour des problèmes inverses, bien que son objectif principal reste les méthodes de reconstruction basées sur la physique.
Reconnaissance et récompenses
Les contributions de Bouman ont été largement reconnues. En 2019, elle a été nommée l'une des 100 femmes de la BBC. En 2021, l'astéroïde 291387 Katiebouman a été nommé en son honneur, et elle a reçu la médaille du progrès et la bourse honorifique de la Royal Photographic Society. En 2024, elle a reçu une bourse de recherche Sloan, qui soutient les chercheurs en début de carrière en science et technologie.
Sa reconnaissance reflète à la fois ses réalisations techniques et son rôle de défenseure publique de la science collaborative. Bouman a parlé de l'importance du travail interdisciplinaire, combinant l'expertise en physique, en informatique et en techniques de augmentation de données pour résoudre des problèmes qu'aucun domaine seul ne peut aborder.
Impact sur l'imagerie computationnelle
L'image du trou noir au centre de la galaxie M87 par le télescope Event Horizon a été une réalisation marquante en science. L'algorithme CHIRP de Bouman était l'une des plusieurs méthodes utilisées pour reconstruire l'image à partir de données collectées par un réseau mondial de radiotélescopes. Le succès a démontré que l'imagerie computationnelle pouvait surmonter les limites physiques de la résolution des télescopes, un principe désormais appliqué dans des domaines allant de l'astronomie aux systèmes d'imagerie chirurgicale intuitive.
L'approche de Bouman met l'accent sur l'importance de la quantification de l'incertitude en imagerie. Plutôt que de produire une seule image, ses algorithmes génèrent plusieurs reconstructions plausibles, permettant aux scientifiques d'évaluer quelles caractéristiques sont robustes et lesquelles dépendent des choix algorithmiques. Cette méthodologie a influencé la manière dont les chercheurs en apprentissage automatique abordent les problèmes où la vérité terrain n'est pas disponible.
Engagement public et médias
La photo virale de Bouman réagissant à l'image du trou noir lui a valu une attention internationale. Elle a utilisé cette plateforme pour discuter de la nature de la collaboration scientifique et du rôle du calcul dans la recherche moderne. Sa conférence TEDx, donnée avant la capture de l'image, expliquait les défis algorithmiques de l'imagerie d'un objet situé à 55 millions d'années-lumière.
Bouman a également abordé les défis rencontrés par les femmes dans les domaines STEM. Le harcèlement en ligne qu'elle a subi a mis en évidence des problèmes persistants de sexisme en science, et sa réponse - mettant l'accent sur le travail d'équipe et les preuves - a été citée comme un modèle pour gérer la scrutiny publique. Elle continue de plaider pour des environnements de recherche inclusifs.
Travail actuel
En 2024, la recherche de Bouman à Caltech se concentre sur le développement de nouveaux systèmes d'imagerie computationnelle qui combinent des modèles physiques avec des techniques de apprentissage profond. Son groupe étudie comment apprendre des a priori à partir de données tout en maintenant la cohérence physique, un sujet pertinent pour les applications en vision par ordinateur et en imagerie médicale. Elle explore également les connexions entre l'imagerie et d'autres problèmes inverses en intelligence artificielle, tels que la super-résolution et la restauration d'images.
Le travail de Bouman illustre la convergence du traitement du signal, de l'optimisation et du apprentissage automatique qui caractérise la science computationnelle moderne. Sa trajectoire de carrière - de la recherche doctorale au MIT à des rôles de premier plan dans de grandes collaborations scientifiques - illustre comment la recherche fondamentale en algorithmes peut conduire à des découvertes transformatrices.