マテリアルズ・インフォマティクス（Materials Informatics、以下「MI」）は、機械学習をはじめとするデータ科学の手法で新材料の探索・設計を加速するアプローチです。2023年11月にGoogle DeepMindが深層学習ツール「GNoME」で220万件の新しい結晶構造を発見したと発表し（Nature誌掲載）、2025年1月にはMicrosoftの生成AI「MatterGen」の論文がNature誌に掲載されるなど、AIによる材料探索は近年大きな注目を集めています。日本でも、Preferred Networks（PFN）とENEOSの合弁会社が2021年7月から汎用原子レベルシミュレータ「Matlantis」をクラウド提供しており、2024年8月時点で90以上の企業・団体に導入されています。
本記事では、この分野の特許を一次資料（Google Patents・J-PlatPat・WIPO PATENTSCOPE）で実在確認したうえで、①特許出願動向の統計、②日本企業の登録特許8件、③海外企業の登録特許6件、④「AIが予測しただけの材料」に特許は取れるのかという審査実務の核心（特許庁のAI審査事例51・52ほか）、⑤特許化と営業秘密の使い分け──を弁理士の視点から解説します。
目次
従来の材料開発は、研究者の経験と勘に基づく仮説設定と、実験による試行錯誤の繰り返しが中心で、新材料の実用化には長い年月を要してきました。MIは、蓄積された実験・計算データから材料の構造と特性の相関を機械学習で抽出し、「どの候補を次に試すべきか」を予測することで、この試行錯誤を大幅に圧縮しようとするものです。統合イノベーション戦略推進会議が決定した「マテリアル革新力強化戦略」（令和3年4月27日決定、令和7年6月4日改定）も、データ駆動型研究開発基盤の整備を国の基本方針に掲げています。
技術面の転機として、次の3つの出来事が挙げられます。
| 時期 | 出来事 |
|---|---|
| 2021年7月6日 | PFN×ENEOSの合弁会社（PFCC）が汎用原子レベルシミュレータ「Matlantis」の提供を開始。深層学習により第一原理計算（DFT）比で数万倍の高速化を掲げる。2024年9月には96元素対応・90以上の企業団体への導入を発表 |
| 2023年11月29日 | Google DeepMindが「GNoME」により220万件の新結晶構造（うち約38万件が最も安定とされる構造）を発見したと発表（Nature誌掲載）。外部研究で736件が独立に実験合成済みとされる |
| 2025年1月16日 | Microsoftの「MatterGen」論文がNature誌に掲載。拡散モデルで所望特性から無機材料を直接生成し、生成した材料TaCr₂O₆の実験合成まで実証（バルク弾性率：設計値200GPaに対し実測169GPa） |
市場規模については調査会社間で定義の差が大きく、Grand View Researchは2023年に約1.35億米ドル（年平均成長率16.5%）、360iResearchは2025年に約7.2億米ドル（同18.34%）と推計に幅がありますが、高い成長率が見込まれている点は共通しています。
特許庁は令和元年度の特許出願技術動向調査でMIを取り上げています（令和2年2月公表）。同調査によれば、2010〜2017年（優先権主張年ベース）のMI関連特許ファミリーは日米欧中韓印合計で493件。出願人国籍別では中国が332件（67.3%）と突出し、韓国55件（11.2%）、日本37件（7.5%）、米国35件（7.1%）と続きます。出願は2015年頃から増加に転じており（2015年48件→2017年116件）、深層学習ブームと同調した動きです。日本勢の出願人では太平洋セメント（10件）が上位に入っています。
注意：この統計は2010〜2017年出願分を2020年に集計したもので、直近の状況はさらに変化しています。参考として、特許庁の「AI関連発明の出願状況調査」（2025年10月版）では、日本へのAI関連発明の出願は2023年に約11,400件まで増加し、AIコア発明（G06N付与）の中国への出願は2023年に10万件超と米国の5倍以上に達しています。
特許分類の面では、2019年1月の国際特許分類（IPC）改正で「G16C（計算化学・化学情報学・計算材料科学）」が新設され、機械学習・ケモメトリクス（G16C 20/70）、化合物の物性予測（G16C 20/30）、分子設計（G16C 20/50）、計算材料科学（G16C 60/00）などのグループが整備されました。MI関連発明は、実務上このG16C（用途側）と、機械学習そのものを表すG06N（AI手法側）の組合せで検索・分類されることが多く、先行技術調査やFTO調査でもこの2系統を押さえるのが出発点になります。
ここからは、当所がGoogle Patents・J-PlatPat・WIPO PATENTSCOPEの実ページで書誌事項・登録状況を確認した日本企業の登録特許8件を紹介します（2026年7月18日時点の調査。網羅的なリストではありません）。
| 特許番号 | 権利者 | 技術の要点 |
|---|---|---|
| 特許第6950119号 | 昭和電工（現レゾナック） | データサイエンティストがモデルを作り、多数の非熟練者が使う「分業型」材料設計システム（順問題・逆問題の両対応） |
| 特許第7190615号 | 昭和電工（現レゾナック） | 説明変数に材料特性の評価温度・保持時間を加えて温度依存の材料特性を予測する方法（アルミ合金の引張強度等） |
| 特許第7109339号 | 昭和電工 | ガウス過程回帰で物性の予測値と不確かさを算出し、次に検証すべきポリマー構造を推薦（ベイズ最適化型の探索） |
| 特許第7218519号 | 横浜ゴム | 加硫ゴムの配合・加工条件から物性を機械学習で予測。少数サンプル項目を回帰分析で補間する前処理が特徴 |
| 特許第7215017号 | 横浜ゴム | 学習済みモデルと進化的アルゴリズムで、目標物性を実現するゴム配合を逆探索（原材料数の制約条件つき） |
| 特許第7302297号 | 富士通 | 分子構造の類似度を「最大独立集合の探索」で算出して比誘電率等を予測 |
| 特許第7388217号 | 富士通 | 結晶構造をグラフ化し、類似性分析をイジングモデルに定式化してアニーリングマシンで解く（量子インスパイアド計算×MI） |
| 特許第7403032号 | Preferred Networks | ニューラルネットワークポテンシャル（NNP）の訓練で、第一原理計算の条件差を「ラベル情報」として吸収する汎用化技術 |
MI特許のクレームがどのような書き方になるのか、代表として特許第6950119号の請求項1を引用します。
「複数の組成からなる材料、または、複数の製造条件の組合せにより製造される材料を含む設計対象材料を設計するための材料設計システムであって、前記設計対象材料の設計条件と、材料特性値との対応関係を入出力とするモデルの機械学習を行うためのモデル学習用インタフェイスを利用可能なエキスパート端末と、特定の前記設計対象材料について、前記エキスパート端末により作成された前記特定の設計対象材料のための学習済みモデルを用いて、前記設計条件から前記材料特性値を、または、前記材料特性値から前記設計条件を推定するための材料設計用インタフェイスを利用可能な複数の汎用端末と、を備える材料設計システム。」
注目すべきは、このクレームが機械学習アルゴリズムそのものではなく、「モデルを作る側（エキスパート端末）」と「モデルを使う側（複数の汎用端末）」というシステム構成（運用の仕組み）で発明を捉えている点です。予測モデル自体の差別化が難しくても、材料開発の現場でMIを回すための仕組みに落とし込むことで権利化する──MI特許の一つの典型的なアプローチといえます。
Matlantisの基盤技術系に位置づけられるPFNの特許第7403032号（2023年12月21日登録）は、NNP（ニューラルネットワークポテンシャル）の訓練方法に関するものです。第一原理計算はソフトウェアや計算パラメータによって結果が微妙に異なるため、異なる条件で作られた教師データを単純に混ぜると精度が落ちる──この課題に対し、計算条件を「ラベル情報」としてモデルに入力し、条件の異なるデータを混合して訓練できるようにする、という内容です（国際公開WO2022/260178の請求項1に基づく要約。登録時のクレームは審査過程の補正により文言が異なる可能性があります）。結晶（周期境界条件）と分子（自由境界条件）の双方に汎化する「汎用」原子シミュレーションを支える方向の技術であり、AIモデルの訓練方法そのものを特許化するという、材料メーカーとは異なるAI企業らしい権利化アプローチが表れています。
このほか、横浜ゴムの2件は「順問題（配合→物性の予測）」と「逆問題（目標物性→配合の探索）」をそれぞれ別特許で押さえる構成になっており、富士通の2件は類似構造検索という古典的な組合せ最適化問題を機械学習・アニーリング計算と結びつけています。各社の事業構造に応じて、権利化のレイヤー（データ前処理／モデル訓練／探索アルゴリズム／運用システム）が異なる点が実務上興味深いところです。
海外に目を向けると、AI企業・電機メーカー・MI専業ベンダーがそれぞれの立場で権利化を進めています。以下も実ページで確認済みの登録特許です。
| 特許番号 | 権利者 | 技術の要点 |
|---|---|---|
| US 12,190,236 | DeepMind Technologies | 既知材料の構造の埋め込み（embedding）を用いて新規材料の特性を予測（2025年1月登録） |
| US 11,537,898 | Samsung Electronics | GANで構造と特性の結合分布を学習し、目標特性から材料構造を直接生成する逆設計（欧州対応特許EP3800586B1も登録済み） |
| US 12,135,927 | IBM | AIが生成した材料候補への専門家の採否判断を学習し、候補ランキングに反映する「エキスパート・イン・ザ・ループ」型探索 |
| US 11,901,045 | IBM | 化学データベースから特徴を学習し、既存材料の特徴を組み合わせて新規候補を生成するフレームワーク |
| US 11,004,037 | Citrine Informatics | 機械学習で「達成可能な特性の組合せと難易度」を示すケイパビリティマップを生成し、製品設計と材料開発を接続 |
| US 10,984,145 | Citrine Informatics | 新規原料を含む配合レシピ候補を、目標特性・制約の充足尤度でランク付けする配合設計支援 |
DeepMindのUS 12,190,236（優先日2020年4月24日、2025年1月7日登録）の請求項1は次のように始まります。
"A computer-implemented method for predicting one or more properties of a material, the method comprising: maintaining data specifying a set of known materials each having a respective known physical structure..."
（既知の物理構造を有する既知材料の集合を特定するデータを保持し、材料の1以上の特性を予測するコンピュータ実装方法──以下、類似既知材料の特定と埋め込みを用いた特性予測の構成が続く）出典：Google Patents（US12190236B2）
この特許の発明者にはTian Xie氏、James Kirkpatrick氏らが名を連ねています。GNoME論文・MatterGen論文の著者と重なる顔ぶれであり、話題の研究成果の背後で基盤技術の出願が着実に進んでいたことがうかがえます。一方、Microsoftの「MatterGen」そのものに対応する特許出願は、今回の調査（2026年7月時点の公開情報）では確認できませんでした。特許出願は原則として出願から18か月間公開されないため、「出願が見つからない＝出願していない」とは限らない点にご注意ください。
実務ポイント：Samsungの逆設計特許のようにGAN・生成モデルによる材料生成の基本的な構成が2020年前後の出願日で既に権利化されています。生成AIで材料探索システムを内製・導入する企業は、探索手法そのものについて第三者特許のクリアランス（FTO）を確認する視点も必要になりつつあります。
MIの成果を特許化するうえで最大の関門は、進歩性でも発明該当性でもなく、記載要件（実施可能要件・サポート要件）です。特許庁は「AI関連技術に関する特許審査の事例」（平成29年3月・平成31年1月・令和6年3月の3次にわたり公表、計25事例。特許・実用新案審査ハンドブック附属書に掲載）でこの点を明確にしています。事例集は次の規範を示します。
「AIによりある機能を持つと推定された物の発明は、発明の詳細な説明に実際に物を製造して当該機能の評価をした実施例を記載していない場合には、AIによる推定結果が実際に製造した物の評価に代わり得ない限り、実施可能要件及びサポート要件を満たさない。（事例51、事例52）」
──特許・実用新案審査ハンドブック附属書「AI関連技術に関する特許審査の事例」冒頭の整理より
令和6年3月に追加された事例52は、まさにMIの逆設計（発光特性から化学構造を予測）を題材にしています。AIで化合物AとBを取得し、Aは実際に合成して物性を実測、Bは予測のみという設例で、結論は明快です。①実測済みの化合物Aに限定したクレームは記載要件を満たす、②予測のみの化合物Bのクレームと、特性値のみで規定した包括クレームは実施可能要件・サポート要件違反、③出願後に実験成績証明書を提出しても記載不足は治癒しない。つまり、「AIが出した有望候補リスト」の段階では物質特許は取れず、実証を済ませた範囲でしか権利化できないのが現在の審査実務です（例外として、AIの予測精度自体が明細書内で検証されている場合等には予測が実測に代わり得るとされています）。
予測方法のクレームについては、事例50（アレルギー発症率予測）が参考になります。入力データ（記述子）を特定しない広い予測方法クレームは、データ間の相関が技術常識から推認できない限りサポート要件違反となり、検証済みの記述子の組合せに限定したクレームは適法とされました。また進歩性については、事例33・34が「人の業務を単にAIでシステム化しただけ」「回帰モデルをニューラルネットワークに置き換えただけ」では進歩性が認められないことを示す一方、事例34は相関関係が技術常識でなかった入力データを加えて顕著な効果を得た場合には進歩性が認められることを示しています。MI発明の特許性は、アルゴリズムの新しさよりも「材料分野の知見に基づく特徴量・記述子の非自明な選択」に宿る、というのが審査事例から読み取れる実務指針です。
実務ポイント：数値限定・パラメータでクレームする場合は、知財高裁大合議判決（平成17年11月11日・偏光フィルム事件）のサポート要件の規範も踏まえ、クレーム範囲を代表する実施例の配置が必要です。「AI予測→少数の有望候補を実合成・実測→実証済み範囲で物質・組成物特許を出願→追加実証後に改良出願」という出願タイミングの設計が、MI時代の明細書実務の基本形になります。
MIの競争力の源泉は、モデルそのものよりも長年の実験データベースと、そこから設計された記述子（特徴量）にあるといわれます。これらは製品からリバースエンジニアリングできないため秘匿に向く一方、特許出願すれば原則18か月で公開され、方法クレームは他社サーバ内での実施を検知しにくいという権利行使上の弱点もあります（この段落は実務上の一般的な整理です）。制度面では、経済産業省の営業秘密管理指針の令和7年3月31日改訂で、公知情報の組合せであってもAI学習用データとして取得に相当の時間・費用を要するものは非公知性が認められ得ることが明確化され、MIの実験データセットを営業秘密として保護する途が整理されました。秘匿を選ぶ場合は、他社の後行出願に備えた先使用権（特許法79条）の証拠確保（タイムスタンプ等）が実務上のセットになります。
AIを発明者とする出願（DABUS事件）については、日本でも東京地判令和6年5月16日、知財高判令和7年1月30日が、特許法上の発明者は自然人に限られると判断しました（知財高裁は立法論の必要性にも言及）。米国（Thaler v. Vidal）、英国最高裁、欧州特許庁も同旨です。MIの文脈での実務的な帰結はシンプルで、課題設定・記述子の設計・候補の選抜・実証実験に創作的に関与した自然人を発明者として特定し記載することです。特許庁でも、材料探索を例に挙げつつ「人間の関与が低下した発明」の保護の在り方が制度論として検討されています（産業構造審議会特許制度小委員会・令和7年3月資料）。
①MI関連特許は2015年以降増加し、日本ではレゾナック・横浜ゴム・富士通・PFNなどが探索手法・運用システム・訓練技術の各レイヤーで登録特許を確保している。②海外ではDeepMind・Samsung・IBM・Citrineが基盤的な構成を権利化しており、生成モデルによる逆設計はすでに登録特許が存在する。③「AIが予測しただけの材料」には物質特許が認められないのが日本の審査実務であり（事例51・52）、実証実験と出願タイミングの設計が権利化の成否を分ける──この3点が本記事の骨格です。
MI×AI発明の出願前チェックリスト
AI関連の知財動向については、当ブログでも継続的に取り上げています。係属中の特許紛争の読み方はキオクシア対Viasat特許訴訟の解説記事を、特許ファミリー形成の実務は分割出願戦略の解説記事もあわせてご覧ください。
MI・AI関連発明の特許出願（明細書の実施例設計・記述子の開示範囲の検討を含む）、先行技術調査・FTO調査、営業秘密管理との使い分けをお考えの企業様は、知財事務所エボリクスのお問い合わせフォームよりお気軽にご相談ください。
【免責事項】本記事は2026年7月18日時点の公開情報（Google Patents・J-PlatPat・WIPO PATENTSCOPE・特許庁公表資料・各社プレスリリース等）に基づく一般的な解説であり、法的助言ではありません。記事中の特許はいずれも公開データベースの実ページで書誌事項を確認していますが、権利範囲の解釈・有効性の評価を示すものではなく、掲載企業と当所の間に取引関係があることを示すものでもありません。特許第7403032号の請求項は国際公開時のものを引用しており、登録時の補正により文言が異なる可能性があります。統計値は出典の集計時点・定義に依存します。（弁理士監修）