Materialinformatik (MI) × KI-Patente: Aktuelle Entwicklungen | Ein Patentanwalt erläutert 14 geprüfte Patente aus dem In- und Ausland sowie die Praxis der Patentprüfung

Leitartikel: KI beginnt, die „Entdeckung neuer Materialien“ zu verändern – wie sieht es da mit den Patenten aus?

Materials Informatics (im Folgenden „MI“) ist ein Ansatz, der die Suche nach und das Design von neuen Materialien mithilfe von Methoden der Datenwissenschaft, darunter maschinelles Lernen, beschleunigt.Im November 2023 gab Google DeepMind bekannt, dass es mit dem Deep-Learning-Tool „GNoME“ 2,2 Millionen neue Kristallstrukturen entdeckt habe (veröffentlicht in der Fachzeitschrift „Nature“),und im Januar 2025 wurde ein Artikel über die generative KI „MatterGen“ von Microsoft in der Fachzeitschrift „Nature“ veröffentlicht – die Materialforschung mithilfe von KI hat in den letzten Jahren große Aufmerksamkeit auf sich gezogen.Auch in Japan bietet ein Joint Venture von Preferred Networks (PFN) und ENEOS seit Juli 2021 den universellen Simulator auf Atomebene „Matlantis“ als Cloud-Dienst an, der bis August 2024 bereits von mehr als 90 Unternehmen und Organisationen eingeführt wurde.

In diesem Artikel werden Patente in diesem Bereich anhand von Primärquellen (Google Patents, J-PlatPat, WIPO PATENTSCOPE) auf ihre Existenz überprüft und anschließend folgende Punkte behandelt: ① Statistiken zu den Trends bei Patentanmeldungen, ② acht erteilte Patente japanischer Unternehmen, ③ sechs erteilte Patente ausländischer Unternehmen,④ den Kern der Prüfungspraxis: „Können Patente auf Materialien erteilt werden, die lediglich von einer KI vorhergesagt wurden?“ (Beispiele 51 und 52 der KI-Prüfung durch das Patentamt u. a.) sowie ⑤ die Unterscheidung zwischen Patentierung und Geschäftsgeheimnissen – aus der Sicht eines Patentanwalts erläutert.

1. Was ist MI? – Drei Ereignisse, durch die KI die Materialentwicklung verändert hat, sowie politische und marktbezogene Hintergründe

Die herkömmliche Materialentwicklung basierte hauptsächlich auf Hypothesen, die auf der Erfahrung und Intuition von Forschern beruhten, sowie auf wiederholten Versuchen und Irrtümern im Rahmen von Experimenten, sodass die praktische Anwendung neuer Materialien viele Jahre in Anspruch nahm.MI zielt darauf ab, diesen Prozess des Ausprobierens erheblich zu verkürzen, indem es mithilfe von maschinellem Lernen aus gesammelten Experiment- und Berechnungsdaten Zusammenhänge zwischen der Struktur und den Eigenschaften von Materialien extrahiert und vorhersagt, „welche Kandidaten als Nächstes getestet werden sollten“.Auch die vom Rat zur Förderung der integrierten Innovationsstrategie beschlossene „Strategie zur Stärkung der Innovationskraft im Bereich der Werkstoffe“ (beschlossen am 27. April Reiwa 3, überarbeitet am 4. Juni Reiwa 7) sieht den Aufbau einer datengesteuerten Forschungs- und Entwicklungsinfrastruktur als grundlegende staatliche Leitlinie vor.

Als technologische Wendepunkte lassen sich die folgenden drei Ereignisse nennen.

Hinsichtlich der Marktgröße gibt es große Unterschiede in den Definitionen der Marktforschungsunternehmen: Grand View Research geht von etwa 135 Millionen US-Dollar im Jahr 2023 (durchschnittliche jährliche Wachstumsrate von 16,5 %) aus,360iResearch für das Jahr 2025 etwa 720 Millionen US-Dollar (18,34 %) – die Schätzungen weichen zwar voneinander ab, doch alle gehen von einer hohen Wachstumsrate aus.

2. Entwicklung der MI-Patentanmeldungen in Zahlen (Umfrage des Patentamts, G16C-Klassifikation)

Das Patentamt hat MI in seiner Untersuchung zu technologischen Trends bei Patentanmeldungen im ersten Reiwa-Geschäftsjahr behandelt (veröffentlicht im Februar Reiwa 2). Laut dieser Untersuchung belief sich die Zahl der MI-bezogenen Patentfamilien im Zeitraum 2010–2017 (basierend auf dem Jahr der Prioritätsbeanspruchung) in Japan, den USA, Europa, China, Südkorea und Indien insgesamt auf 493.Nach der Nationalität der Anmelder lag China mit 332 Anmeldungen (67,3 %) deutlich an der Spitze, gefolgt von Südkorea mit 55 Anmeldungen (11,2 %), Japan mit 37 Anmeldungen (7,5 %) und den USA mit 35 Anmeldungen (7,1 %).Die Zahl der Anmeldungen stieg ab etwa 2015 an (48 im Jahr 2015 → 116 im Jahr 2017), was mit dem Boom im Bereich des Deep Learning einherging. Unter den japanischen Anmeldern rangiert Pacific Cement (10 Anmeldungen) ganz oben.

Was die Patentklassifizierung betrifft, wurde mit der Überarbeitung der Internationalen Patentklassifikation (IPC) im Januar 2019 die neue Klasse „G16C (Computational Chemistry, Chemical Informatics, Computational Materials Science)“ eingeführt, die Gruppen wie maschinelles Lernen und Chemometrie (G16C 20/70),die Vorhersage der physikalischen Eigenschaften von Verbindungen (G16C 20/30), das Moleküldesign (G16C 20/50) und die computergestützte Materialwissenschaft (G16C 60/00) eingerichtet.MI-bezogene Erfindungen werden in der Praxis häufig durch eine Kombination aus dieser G16C (Anwendungsseite) und der G06N (KI-Verfahren), die das maschinelle Lernen selbst bezeichnet, gesucht und klassifiziert; daher ist die Erfassung dieser beiden Bereiche der Ausgangspunkt für Recherchen zum Stand der Technik und FTO-Prüfungen.

3. MI×AI-Patente japanischer Unternehmen – 8 geprüfte Fälle (Resonac, Yokohama Rubber, Fujitsu, PFN)

Im Folgenden stellen wir acht eingetragene Patente japanischer Unternehmen vor, deren bibliografische Angaben und Registrierungsstatus unsere Kanzlei auf den jeweiligen Seiten von Google Patents, J-PlatPat und WIPO PATENTSCOPE überprüft hat (Stand: 18. Juli 2026; es handelt sich nicht um eine vollständige Liste).

Lesen der Patentansprüche ①: Resonacs „auf Arbeitsteilung basierendes MI-System“ (Patent Nr. 6950119)

Um zu veranschaulichen, wie Ansprüche in MI-Patenten formuliert werden, zitiere ich als Beispiel Anspruch 1 des Patents Nr. 6950119.

Bemerkenswert ist, dass dieser Anspruch nicht den Algorithmus des maschinellen Lernens selbst betrifft, sondern die Erfindung anhand der Systemstruktur (des Betriebsmechanismus) erfasst, die aus der „Modellerstellungsseite (Experten-Endgerät)“ und der „Modellnutzungsseite (mehrere allgemeine Endgeräte)“ besteht.Auch wenn es schwierig ist, das Vorhersagemodell selbst als Alleinstellungsmerkmal zu etablieren, lässt sich durch die Einbindung in einen Mechanismus, der den Einsatz von MI in der Materialentwicklung ermöglicht, ein Schutzrecht erlangen – dies ist ein typischer Ansatz für MI-Patente.

Ansprüche lesen ②: Die allgemeine NNP-Trainingstechnologie von PFN (Patent Nr. 7403032)

Das PFN-Patent Nr. 7403032 (eingetragen am 21. Dezember 2023), das zu den Basistechnologien von Matlantis zählt, betrifft ein Verfahren zum Training von NNP (Neural Network Potential).Da sich die Ergebnisse von First-Principles-Berechnungen je nach Software und Berechnungsparametern geringfügig unterscheiden, sinkt die Genauigkeit, wenn unter unterschiedlichen Bedingungen erstellte Trainingsdaten einfach miteinander vermischt werden – um dieses Problem zu lösen, werden die Berechnungsbedingungen als „Label-Informationen“ in das Modell eingegeben, sodass Daten mit unterschiedlichen Bedingungen gemischt und zum Training verwendet werden können.(Zusammenfassung basierend auf Anspruch 1 der internationalen Veröffentlichung WO 2022/260178. Der Wortlaut der Ansprüche zum Zeitpunkt der Eintragung kann sich aufgrund von Änderungen im Prüfungsverfahren unterscheiden).Es handelt sich um eine Technologie, die „universelle“ Atomsimulationen unterstützt, die sowohl auf Kristalle (periodische Randbedingungen) als auch auf Moleküle (freie Randbedingungen) verallgemeinert werden können. Damit wird ein für KI-Unternehmen typischer Ansatz zur Rechtssicherung verfolgt, der sich von dem der Materialhersteller unterscheidet und darin besteht, die Trainingsmethode für KI-Modelle selbst zu patentieren.

Darüber hinaus sind die beiden Patente von Yokohama Rubber so aufgebaut, dass sie das „direkte Problem (Mischung → Vorhersage der Materialeigenschaften)“ und das „umgekehrte Problem (Ziel-Materialeigenschaften → Suche nach der Mischung)“ jeweils in separaten Patenten abdecken, während die beiden Patente von Fujitsu das klassische Problem der Kombinationsoptimierung – die Suche nach ähnlichen Strukturen – mit maschinellem Lernen und Annealing-Berechnungen verbinden.In der Praxis ist es interessant zu beobachten, dass sich die Ebenen der Patentierung (Datenvorverarbeitung / Modelltraining / Suchalgorithmen / Betriebssysteme) je nach Geschäftsstruktur der einzelnen Unternehmen unterscheiden.

4. MI×AI-Patente ausländischer Unternehmen – 6 verifizierte Fälle (DeepMind, Samsung, IBM, Citrine)

Im Ausland treiben KI-Unternehmen, Elektronikhersteller und spezialisierte MI-Anbieter die Patentierung jeweils aus ihrer eigenen Perspektive voran. Auch die folgenden Patente sind auf den entsprechenden Seiten überprüft und registriert.

Der erste Anspruch der US-Patentschrift 12.190.236 von DeepMind (Prioritätsdatum: 24. April 2020, Eintragung: 7. Januar 2025) beginnt wie folgt:

Zu den Erfindern dieses Patents zählen unter anderem Tian Xie und James Kirkpatrick. Da sich diese Namen mit den Autoren der GNoME- und MatterGen-Publikationen überschneiden, lässt sich vermuten, dass hinter den viel diskutierten Forschungsergebnissen die Anmeldung der zugrunde liegenden Technologie stetig vorangetrieben wurde.Andererseits konnte im Rahmen dieser Untersuchung (basierend auf öffentlich zugänglichen Informationen vom Juli 2026) keine Patentanmeldung gefunden werden, die direkt auf Microsofts „MatterGen“ selbst Bezug nimmt. Da Patentanmeldungen grundsätzlich erst 18 Monate nach ihrer Einreichung veröffentlicht werden, ist zu beachten, dass „keine Anmeldung gefunden = keine Anmeldung eingereicht“ nicht zwangsläufig zutrifft.

5. Der Kern der Prüfpraxis – Kann ein Patent für „Materialien, die lediglich von einer KI vorhergesagt wurden“ erteilt werden?

Die größte Hürde bei der Patentierung von MI-Ergebnissen ist weder die erfinderische Tätigkeit noch die Erfindungsgüte, sondern die Anforderungen an die Offenbarung (Ausführbarkeits- und Stützungsanforderungen).Das Patentamt hat diesen Punkt in den „Fallbeispielen zur Patentprüfung im Bereich KI-bezogener Technologien“ (veröffentlicht in drei Phasen im März Heisei 29, Januar Heisei 31 und März Reiwa 6; insgesamt 25 Fälle, abgedruckt im Anhang des Handbuchs zur Prüfung von Patenten und Gebrauchsmustern) klargestellt. Die Fallsammlung legt folgende Richtlinie fest:

Fallbeispiel 52 (fluoreszierende Verbindungen) – Eine direkte Antwort auf die MI-Praxis

Der im März des Jahres Reiwa 6 hinzugefügte Fall 52 befasst sich genau mit dem Thema „Reverse Engineering“ im Rahmen der MI (Vorhersage der chemischen Struktur anhand der Lumineszenzeigenschaften). In diesem Beispiel wurden die Verbindungen A und B mittels KI ermittelt, wobei A tatsächlich synthetisiert und ihre physikalischen Eigenschaften gemessen wurden, während B lediglich vorhergesagt wurde – die Schlussfolgerung ist eindeutig.① Ansprüche, die auf die tatsächlich gemessene Verbindung A beschränkt sind, erfüllen die Anforderungen an die Offenbarung; ② Ansprüche auf die nur vorhergesagte Verbindung B sowie umfassende Ansprüche, die ausschließlich anhand von Eigenschaftswerten definiert sind, verstoßen gegen die Anforderungen an die Ausführbarkeit und die Stützung; ③ Die Einreichung eines experimentellen Ergebnisnachweises nach der Anmeldung behebt den Mangel an Offenbarung nicht.Das bedeutet, dass nach der aktuellen Prüfungspraxis ein Stoffpatent nicht bereits auf der Stufe einer „von der KI erstellten Liste vielversprechender Kandidaten“ erteilt werden kann, sondern nur in dem Umfang, in dem die Nachweise erbracht wurden (als Ausnahme gilt, dass Vorhersagen an die Stelle von Messungen treten können, wenn beispielsweise die Vorhersagegenauigkeit der KI selbst in der Beschreibung überprüft wurde).

Fallbeispiel 50 und Fallbeispiel 34 – „Die Wahl der Deskriptoren“ ist entscheidend

Hinsichtlich der Ansprüche auf Vorhersagemethoden ist Fallbeispiel 50 (Vorhersage der Allergie-Erkrankungsrate) als Referenz heranzuziehen.Breit gefasste Ansprüche auf Vorhersagemethoden, die die Eingabedaten (Deskriptoren) nicht spezifizieren, verstoßen gegen das Erfordernis der Stützung, sofern die Korrelation zwischen den Daten nicht aus dem technischen Allgemeinwissen abgeleitet werden kann; Ansprüche, die auf eine Kombination verifizierter Deskriptoren beschränkt sind, wurden hingegen als zulässig angesehen. Was die erfinderische Tätigkeit betrifft, zeigen die Fälle 33 und 34,zeigen, dass keine erfinderische Tätigkeit anerkannt wird, wenn es sich lediglich um „die bloße Systematisierung menschlicher Arbeitsabläufe durch KI“ oder „die bloße Ersetzung eines Regressionsmodells durch ein neuronales Netzwerk“ handelt; Fall 34 verdeutlicht hingegen, dass eine erfinderische Tätigkeit anerkannt wird, wenn durch Hinzufügen von Eingabedaten, deren Korrelationen nicht aus dem technischen Fachwissen abgeleitet werden konnten, ein bemerkenswerter Effekt erzielt wird.Aus den Prüfungsbeispielen lässt sich als praktische Leitlinie ableiten, dass die Patentierbarkeit von MI-Erfindungen weniger in der Neuheit des Algorithmus als vielmehr in der „nicht-trivialen Auswahl von Merkmalen und Deskriptoren auf der Grundlage von Erkenntnissen aus dem Materialbereich“ liegt.

6. Patentierung oder Geschäftsgeheimnis – Schutz von Trainingsdaten und Deskriptoren sowie die Frage nach dem KI-Erfinder

Trainingsdaten und Deskriptoren sind Vermögenswerte mit „hohem Geheimhaltungswert“

Es wird gesagt, dass die Quelle der Wettbewerbsfähigkeit von MI weniger im Modell selbst als vielmehr in den langjährigen experimentellen Datenbanken und den daraus abgeleiteten Deskriptoren (Merkmalen) liegt.Diese eignen sich zwar gut zur Geheimhaltung, da sie nicht durch Reverse Engineering aus den Produkten zurückentwickelt werden können; allerdings werden sie bei einer Patentanmeldung grundsätzlich nach 18 Monaten veröffentlicht, und es besteht die Schwäche bei der Durchsetzung der Rechte, dass die Umsetzung von Verfahrensansprüchen auf den Servern anderer Unternehmen nur schwer nachzuweisen ist (dieser Absatz stellt eine allgemeine Zusammenfassung der Praxis dar).Auf institutioneller Ebene wurde durch die am 31. März Reiwa 7 vorgenommene Überarbeitung der Leitlinien des Ministeriums für Wirtschaft, Handel und Industrie (METI) zum Schutz von Geschäftsgeheimnissen klargestellt, dass auch Kombinationen öffentlich bekannter Informationen, deren Beschaffung als Daten für das KI-Training einen erheblichen Zeit- und Kostenaufwand erfordert, als nicht öffentlich bekannt anerkannt werden können; damit wurde ein Weg zum Schutz der MI-Experimentdatensätze als Geschäftsgeheimnisse geschaffen.Entscheidet man sich für die Geheimhaltung, gehört in der Praxis die Sicherung von Beweisen (z. B. Zeitstempel) für das Recht der Vorbenutzung (Artikel 79 des Patentgesetzes) als Vorsichtsmaßnahme gegen spätere Anmeldungen anderer Unternehmen dazu.

Man darf nicht sagen, dass „die KI die Erfindung gemacht hat“ – die Folgen des DABUS-Falls

In Bezug auf Patentanmeldungen, bei denen die KI als Erfinder angegeben wird (DABUS-Fall), haben auch in Japan das Landgericht Tokio in seinem Urteil vom 16. Mai Reiwa 6 und das Obergericht für geistiges Eigentum in seinem Urteil vom 30. Januar Reiwa 7 entschieden, dass der Erfinder im Sinne des Patentgesetzes auf natürliche Personen beschränkt ist (das Obergericht für geistiges Eigentum verwies dabei auch auf die Notwendigkeit einer gesetzgeberischen Regelung).Die Vereinigten Staaten (Thaler v. Vidal), der Oberste Gerichtshof des Vereinigten Königreichs und das Europäische Patentamt vertreten dieselbe Auffassung. Die praktische Konsequenz im Zusammenhang mit MI ist einfach: Als Erfinder muss eine natürliche Person identifiziert und angegeben werden, die kreativ an der Festlegung der Aufgabe, der Gestaltung der Deskriptoren, der Auswahl der Kandidaten und den Validierungsexperimenten beteiligt war.Auch beim Patentamt wird unter Bezugnahme auf die Materialsuche die Frage, wie „Erfindungen mit geringem menschlichem Anteil“ geschützt werden sollen, aus systemtheoretischer Sicht erörtert (Unterausschuss für das Patentsystem des Rates für Industriestruktur, Unterlagen vom März Reiwa 7).

7. Zusammenfassung – Checkliste für Anmeldestrategien im Zeitalter der MI

① Die Zahl der MI-bezogenen Patente ist seit 2015 gestiegen, und in Japan haben Unternehmen wie Resonac, Yokohama Rubber, Fujitsu und PFN auf den verschiedenen Ebenen – Suchmethoden, Betriebssysteme und Trainingstechniken – Patente angemeldet.② Im Ausland haben DeepMind, Samsung, IBM und Citrine grundlegende Strukturen rechtlich abgesichert, und für das Reverse Engineering mittels generativer Modelle gibt es bereits erteilte Patente.③ In der japanischen Prüfungspraxis werden für „Materialien, die lediglich von der KI vorhergesagt wurden“, keine Stoffpatente erteilt (Fallbeispiele 51 und 52), und die Gestaltung der Validierungsexperimente sowie der Zeitpunkt der Anmeldung entscheiden über den Erfolg oder Misserfolg der Patentierung – diese drei Punkte bilden das Gerüst dieses Artikels.

Über aktuelle Entwicklungen im Bereich des geistigen Eigentums im Zusammenhang mit KI berichten wir auch regelmäßig in diesem Blog. Informationen zur Interpretation laufender Patentstreitigkeiten finden Sie in unserem Artikel zur Erläuterung des Patentstreits zwischen Kioxia und Viasat; zur praktischen Umsetzung der Bildung von Patentfamilien lesen Sie bitte auch unseren Artikel zur Strategie der Teilanmeldungen.

[Haftungsausschluss] Dieser Artikel ist eine allgemeine Erläuterung auf der Grundlage öffentlich zugänglicher Informationen (Google Patents, J-PlatPat, WIPO PATENTSCOPE, Veröffentlichungen des Patentamts, Pressemitteilungen verschiedener Unternehmen usw.) zum Stand vom 18. Juli 2026 und stellt keine Rechtsberatung dar.Die bibliografischen Angaben zu den in diesem Artikel genannten Patenten wurden zwar auf den jeweiligen Seiten der öffentlichen Datenbanken überprüft, dies stellt jedoch weder eine Auslegung des Schutzumfangs noch eine Bewertung der Gültigkeit dar und bedeutet auch nicht, dass zwischen den genannten Unternehmen und unserer Kanzlei eine Geschäftsbeziehung besteht.Die Ansprüche des Patents Nr. 7403032 beziehen sich auf die internationale Veröffentlichung; der Wortlaut kann sich aufgrund von Änderungen bei der Eintragung geändert haben. Die statistischen Werte hängen vom Zeitpunkt der Erhebung und den Definitionen der jeweiligen Quellen ab. (Unter der Aufsicht eines Patentanwalts)