Katherine Louise Bouman (nascida em 1989) é uma engenheira e cientista da computação americana que atua na área de imageamento computacional. Ela liderou o desenvolvimento de um algoritmo para imageamento de buracos negros, conhecido como Reconstrução de Imagem Contínua de Alta Resolução usando priors de patch (CHIRP), e foi membro da equipe do Event Horizon Telescope que capturou a primeira imagem de um buraco negro.
O trabalho de Bouman conecta aprendizado de máquina e inteligência artificial para resolver problemas inversos em imageamento, onde o objetivo é reconstruir um objeto oculto a partir de medições indiretas. Suas contribuições para o projeto Event Horizon Telescope demonstraram como métodos computacionais podem extrair informações físicas de dados esparsos e ruidosos, um desafio central para a pesquisa moderna em aprendizado profundo.
Início da vida e educação
Bouman cresceu em West Lafayette, Indiana. Seu pai, Charles Bouman, é professor de engenharia elétrica e de computação e engenharia biomédica na Universidade Purdue. Quando estudante do ensino médio, Bouman conduziu pesquisa em imageamento na Universidade Purdue, obtendo exposição precoce ao campo. Ela se formou na West Lafayette Junior-Senior High School em 2007.
Bouman estudou engenharia elétrica na Universidade de Michigan e se formou summa cum laude em 2011. Ela obteve seu mestrado em 2013 e um doutorado em engenharia elétrica e ciência da computação em 2017 pelo Instituto de Tecnologia de Massachusetts (MIT). No MIT, ela foi membro do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (MIT CSAIL), que trabalhava em estreita colaboração com o Observatório Haystack do MIT e o Event Horizon Telescope. Ela foi apoiada por uma Bolsa de Pós-Graduação da National Science Foundation.
Sua dissertação de mestrado, Estimando Propriedades de Materiais de Tecido através da Observação de Movimento, recebeu o Prêmio Ernst Guillemin pela melhor dissertação de mestrado em engenharia elétrica. Sua tese de doutorado, Imageamento extremo via inversão de modelo físico: vendo ao redor de cantos e imageando buracos negros, foi orientada por William T. Freeman. Antes de receber seu doutorado, Bouman apresentou uma palestra TEDx, Como Tirar uma Foto de um Buraco Negro, que explicava algoritmos que poderiam ser usados para capturar a primeira imagem de um buraco negro.
Pesquisa e carreira
Após obter seu doutorado, Bouman ingressou na Universidade Harvard como bolsista de pós-doutorado na equipe de Imageamento do Event Horizon Telescope. Ela havia se juntado ao projeto Event Horizon Telescope em 2013, onde liderou o desenvolvimento do algoritmo CHIRP. O CHIRP é uma técnica de imageamento computacional que usa priors de patch - modelos estatísticos de pequenos patches de imagem - para reconstruir imagens de alta resolução a partir de dados esparsos de telescópios.
O CHIRP inspirou procedimentos de validação de imagem usados na obtenção da primeira imagem de um buraco negro em abril de 2019. Bouman desempenhou um papel significativo no projeto ao verificar imagens, selecionar parâmetros para filtrar imagens capturadas pelo Event Horizon Telescope e participar do desenvolvimento de uma estrutura robusta de imageamento que comparava os resultados de diferentes técnicas de reconstrução de imagem. Seu grupo continua a analisar as imagens do Event Horizon Telescope para aprender mais sobre a relatividade geral em um campo gravitacional forte.
Bouman recebeu atenção significativa da mídia depois que uma foto mostrando sua reação à detecção da sombra do buraco negro nas imagens do EHT se tornou viral. Algumas pessoas na mídia e na internet sugeriram de forma enganosa que Bouman era um "gênio solitário" por trás da imagem. No entanto, a própria Bouman repetidamente observou que o resultado veio do trabalho de uma grande colaboração, mostrando a importância do trabalho em equipe na ciência. Bouman também se tornou alvo de assédio online, a tal ponto que seu colega Andrew Chael fez uma declaração no Twitter criticando "ataques horríveis e sexistas contra minha colega e amiga", incluindo tentativas de minar suas contribuições ao creditá-lo unicamente pelo trabalho realizado pela equipe.
Nomeações acadêmicas
Bouman ingressou no Instituto de Tecnologia da Califórnia (Caltech) como professora assistente em junho de 2019, onde trabalha em novos sistemas de imageamento computacional usando visão computacional e aprendizado de máquina. Em 2020, a Caltech concedeu-lhe uma cátedra nomeada. Em 2024, ela foi promovida a professora associada de ciências computacionais e matemáticas, engenharia elétrica e astronomia, e também se tornou Rosenberg Scholar.
Na Caltech, Bouman lidera um grupo de pesquisa focado no desenvolvimento de algoritmos que integram modelos físicos com abordagens de redes neurais. Seu trabalho se estende além do imageamento de buracos negros para aplicações em imageamento médico e outras áreas onde sensores capturam dados incompletos. Ela explorou como técnicas de IA generativa e arquiteturas transformer podem ser adaptadas para problemas inversos, embora seu foco principal permaneça em métodos de reconstrução baseados em física.
Reconhecimento e prêmios
As contribuições de Bouman foram amplamente reconhecidas. Em 2019, ela foi nomeada uma das 100 mulheres da BBC. Em 2021, o asteroide 291387 Katiebouman foi nomeado em sua homenagem, e ela recebeu a Medalha de Progresso e Filiação Honorária da Royal Photographic Society. Em 2024, ela recebeu uma Bolsa de Pesquisa Sloan, que apoia pesquisadores em início de carreira em ciência e tecnologia.
Seu reconhecimento reflete tanto suas realizações técnicas quanto seu papel como defensora pública da ciência colaborativa. Bouman falou sobre a importância do trabalho interdisciplinar, combinando expertise em física, ciência da computação e técnicas de aumento de dados para resolver problemas que nenhum campo isolado pode abordar sozinho.
Impacto no imageamento computacional
A imagem do Event Horizon Telescope do buraco negro no centro da galáxia M87 foi uma conquista marcante na ciência. O algoritmo CHIRP de Bouman foi um dos vários métodos usados para reconstruir a imagem a partir de dados coletados por uma rede global de radiotelescópios. O sucesso demonstrou que o imageamento computacional poderia superar os limites físicos da resolução de telescópios, um princípio agora aplicado em campos que vão da astronomia a sistemas de imageamento cirúrgico intuitivo.
A abordagem de Bouman enfatiza a importância da quantificação de incerteza no imageamento. Em vez de produzir uma única imagem, seus algoritmos geram múltiplas reconstruções plausíveis, permitindo que cientistas avaliem quais características são robustas e quais dependem de escolhas algorítmicas. Essa metodologia influenciou como pesquisadores em aprendizado de máquina abordam problemas onde a verdade fundamental não está disponível.
Engajamento público e mídia
A foto viral de Bouman reagindo à imagem do buraco negro trouxe atenção internacional. Ela usou essa plataforma para discutir a natureza da colaboração científica e o papel da computação na pesquisa moderna. Sua palestra TEDx, apresentada antes de a imagem ser capturada, explicou os desafios algorítmicos de imagear um objeto a 55 milhões de anos-luz de distância.
Bouman também abordou os desafios enfrentados por mulheres nas áreas de STEM. O assédio online que ela sofreu destacou questões persistentes de sexismo na ciência, e sua resposta - enfatizando trabalho em equipe e evidências - tem sido citada como um modelo para lidar com o escrutínio público. Ela continua a defender ambientes de pesquisa inclusivos.
Trabalho atual
Em 2024, a pesquisa de Bouman na Caltech foca no desenvolvimento de novos sistemas de imageamento computacional que combinam modelos físicos com técnicas de aprendizado profundo. Seu grupo investiga como aprender priors a partir de dados enquanto mantém consistência física, um tópico relevante tanto para aplicações de visão computacional quanto de imageamento médico. Ela também explora conexões entre imageamento e outros problemas inversos em inteligência artificial, como super-resolução e restauração de imagens.
O trabalho de Bouman exemplifica a convergência de processamento de sinais, otimização e aprendizado de máquina que caracteriza a ciência computacional moderna. Sua trajetória de carreira - da pesquisa de pós-graduação no MIT a papéis de liderança em grandes colaborações científicas - ilustra como a pesquisa fundamental em algoritmos pode levar a descobertas transformadoras.