L’informatique des matériaux (Materials Informatics, ci-après « MI ») est une approche qui accélère la recherche et la conception de nouveaux matériaux grâce à des méthodes issues des sciences des données, notamment l’apprentissage automatique.En novembre 2023, Google DeepMind a annoncé avoir découvert 2,2 millions de nouvelles structures cristallines grâce à son outil d’apprentissage profond « GNoME » (article publié dans la revue Nature),et en janvier 2025, un article consacré à « MatterGen », l’IA générative de Microsoft, a été publié dans la revue Nature. La recherche de matériaux par l’IA suscite ainsi un vif intérêt ces dernières années.Au Japon également, la coentreprise entre Preferred Networks (PFN) et ENEOS propose depuis juillet 2021, via le cloud, le simulateur polyvalent au niveau atomique « Matlantis », qui avait été adopté par plus de 90 entreprises et organisations en août 2024.
Dans cet article, après avoir vérifié l’existence des brevets dans ce domaine à partir de sources primaires (Google Patents, J-PlatPat, WIPO PATENTSCOPE), nous abordons : ① les statistiques sur les tendances en matière de dépôts de brevets, ② huit brevets délivrés à des entreprises japonaises, ③ six brevets délivrés à des entreprises étrangères,④ la question centrale de la pratique d’examen : « Peut-on obtenir un brevet pour des « matériaux simplement prédits par l’IA » ? » (exemples d’examen impliquant l’IA n° 51 et 52 de l’Office japonais des brevets, entre autres), ⑤ la distinction entre la protection par brevet et le secret d’affaires — du point de vue d’un conseil en brevets.
Table des matières
Le développement traditionnel des matériaux reposait principalement sur l’élaboration d’hypothèses fondées sur l’expérience et l’intuition des chercheurs, ainsi que sur des itérations expérimentales par essais et erreurs, ce qui nécessitait de nombreuses années avant que les nouveaux matériaux ne puissent être mis en œuvre.L’IA vise à réduire considérablement ce processus d’essais et d’erreurs en extrayant, grâce à l’apprentissage automatique, les corrélations entre la structure et les propriétés des matériaux à partir des données expérimentales et de calcul accumulées, et en prédisant « quel candidat doit être testé ensuite ».La « Stratégie de renforcement de la capacité d’innovation en matière de matériaux » adoptée par le Conseil de promotion de la stratégie d’innovation intégrée (décidée le 27 avril Reiwa 3, révisée le 4 juin Reiwa 7) inscrit également la mise en place d’une infrastructure de R&D axée sur les données parmi les orientations fondamentales de l’État.
On peut citer les trois événements suivants comme des tournants sur le plan technologique.
| Période | Événement |
|---|---|
| 6 juillet 2021 | La coentreprise PFN×ENEOS (PFCC) a commencé à commercialiser « Matlantis », un simulateur polyvalent à l’échelle atomique. Grâce à l’apprentissage profond, elle revendique une accélération de plusieurs dizaines de milliers de fois par rapport aux calculs de première principe (DFT). En septembre 2024, elle a annoncé la prise en charge de 96 éléments et le déploiement auprès de plus de 90 entreprises et organisations. |
| 29 novembre 2023 | Google DeepMind a annoncé avoir découvert 2,2 millions de nouvelles structures cristallines (dont environ 380 000 sont considérées comme les plus stables) grâce à « GNoME » (article publié dans la revue Nature). Selon des recherches externes, 736 d'entre elles auraient déjà fait l'objet d'une synthèse expérimentale indépendante. |
| 16 janvier 2025 | L'article de Microsoft sur « MatterGen » a été publié dans la revue Nature. Il décrit la génération directe de matériaux inorganiques à partir de propriétés souhaitées à l'aide d'un modèle de diffusion, et démontre la synthèse expérimentale du matériau généré, le TaCr₂O₆ (module d'élasticité en volume : 169 GPa mesuré, contre une valeur de conception de 200 GPa). |
En ce qui concerne la taille du marché, les définitions varient considérablement d’un cabinet d’études à l’autre : Grand View Research estime le marché à environ 135 millions de dollars américains en 2023 (taux de croissance annuel moyen de 16,5 %), tandis quetandis que 360iResearch prévoit environ 720 millions de dollars américains en 2025 (taux de croissance annuel de 18,34 %) ; bien que les estimations varient, tous s’accordent sur le fait qu’un taux de croissance élevé est attendu.
L’Office des brevets a abordé le sujet du MI dans son enquête sur les tendances technologiques des demandes de brevet pour l’année Reiwa 1 (publiée en février Reiwa 2). Selon cette enquête, entre 2010 et 2017 (sur la base de l’année de revendication de priorité), le nombre total de familles de brevets liés au MI au Japon, aux États-Unis, en Europe, en Chine, en Corée et en Inde s’élevait à 493.Par nationalité des déposants, la Chine se détache avec 332 demandes (67,3 %), suivie de la Corée du Sud avec 55 demandes (11,2 %), du Japon avec 37 demandes (7,5 %) et des États-Unis avec 35 demandes (7,1 %).Les dépôts ont commencé à augmenter vers 2015 (48 en 2015 → 116 en 2017), une évolution qui va de pair avec l’essor de l’apprentissage profond. Parmi les déposants japonais, Pacific Cement (10 dépôts) figure parmi les premiers.
Remarque : ces statistiques ont été établies en 2020 à partir des demandes déposées entre 2010 et 2017 ; la situation actuelle a encore évolué depuis. À titre de référence, l’« Enquête sur l’état des demandes d’inventions liées à l’IA »(édition d’octobre 2025) indique que les demandes de brevets liées à l’IA déposées au Japon ont augmenté pour atteindre environ 11 400 en 2023, tandis que les demandes de brevets portant sur des inventions fondamentales en IA (classées G06N) déposées en Chine ont dépassé les 100 000 en 2023, soit plus de cinq fois le nombre de celles déposées aux États-Unis.
En ce qui concerne la classification des brevets, la révision de la Classification internationale des brevets (CIB) de janvier 2019 a vu la création de la classe « G16C (chimie computationnelle, infochimie et science des matériaux computationnelle) », qui regroupe notamment l’apprentissage automatique et la chimiométrie (G16C 20/70),la prédiction des propriétés physiques des composés (G16C 20/30), la conception moléculaire (G16C 20/50) et la science des matériaux computationnelle (G16C 60/00).Dans la pratique, les inventions liées à la MI sont souvent recherchées et classées en combinant cette classe G16C (côté application) et la classe G06N (côté méthodes d’IA), qui désigne l’apprentissage automatique en tant que tel ; l’examen de l’état de la technique et les recherches de liberté d’exploitation (FTO) commencent donc par couvrir ces deux axes.
Nous présentons ci-après huit brevets enregistrés par des entreprises japonaises dont notre cabinet a vérifié les données bibliographiques et le statut d’enregistrement sur les pages officielles de Google Patents, J-PlatPat et WIPO PATENTSCOPE (recherche effectuée au 18 juillet 2026 ; cette liste n’est pas exhaustive).
| Numéro de brevet | Titulaire | Points clés de la technologie |
|---|---|---|
| Brevet n° 6950119 | Showa Denko (actuellement Resonac) | Système de conception des matériaux de type « division du travail », dans lequel un data scientist élabore un modèle utilisé ensuite par un grand nombre de personnes non spécialisées (prenant en charge à la fois les problèmes directs et inverses) |
| Brevet n° 7190615 | Showa Denko (aujourd’hui Resonac) | Méthode permettant de prédire les propriétés des matériaux dépendantes de la température en ajoutant, parmi les variables explicatives, la température d’évaluation et le temps de maintien des propriétés des matériaux (résistance à la traction des alliages d’aluminium, etc.) |
| Brevet n° 7109339 | Showa Denko | Calcul des valeurs prédites des propriétés physiques et de leur incertitude par régression de processus gaussien, puis recommandation de la structure polymère à vérifier (recherche de type optimisation bayésienne) |
| Brevet n° 7218519 | Yokohama Rubber | Prédiction des propriétés physiques du caoutchouc vulcanisé à l'aide de l'apprentissage automatique, à partir des conditions de formulation et de transformation. Se caractérise par un prétraitement consistant à interpoler les éléments d'échantillons en petit nombre par analyse de régression |
| Brevet n° 7215017 | Yokohama Rubber | Recherche inversée d’une formulation de caoutchouc permettant d’atteindre les propriétés cibles à l’aide d’un modèle entraîné et d’algorithmes évolutifs (sous réserve de contraintes relatives au nombre de matières premières) |
| Brevet n° 7302297 | Fujitsu | Prédiction de la constante diélectrique, etc., en calculant la similarité des structures moléculaires par la « recherche du plus grand ensemble indépendant » |
| Brevet n° 7388217 | Fujitsu | Représentation graphique des structures cristallines, formulation de l’analyse de similarité sous forme de modèle d’Ising et résolution à l’aide d’une machine d’annealing (calcul d’inspiration quantique × MI) |
| Brevet n° 7403032 | Preferred Networks | Technologie de généralisation permettant, lors de l’entraînement du potentiel de réseau neuronal (NNP), d’intégrer les écarts de conditions des calculs de première principe en tant qu’« informations d’étiquetage » |
Pour illustrer la manière dont sont rédigées les revendications des brevets MI, je cite à titre d’exemple la revendication 1 du brevet n° 6950119.
« Système de conception de matériaux destiné à concevoir des matériaux cibles comprenant des matériaux constitués de plusieurs compositions ou fabriqués à partir de combinaisons de plusieurs conditions de fabrication,comprenant un terminal expert permettant d’utiliser une interface d’apprentissage de modèle pour effectuer un apprentissage automatique d’un modèle dont les entrées et sorties sont la relation de correspondance entre les conditions de conception dudit matériau cible et les valeurs des propriétés du matériau, et, pour un matériau cible spécifique parmi lesdits matériaux cibles,à l’aide du modèle entraîné créé par ledit terminal d’expert pour ledit matériau cible de conception spécifique, pour estimer les valeurs des propriétés du matériau à partir desdites conditions de conception, ou lesdites conditions de conception à partir desdites valeurs des propriétés du matériau, et comprenant plusieurs terminaux génériques pouvant utiliser ladite interface de conception de matériaux. »
Il convient de noter que cette revendication ne porte pas sur l’algorithme d’apprentissage automatique en soi, mais qu’elle définit l’invention par la structure du système (mécanisme de fonctionnement) comprenant « le côté créateur du modèle (terminal expert) » et « le côté utilisateur du modèle (plusieurs terminaux génériques) ».Même s’il est difficile de différencier le modèle de prédiction en lui-même, le fait de l’intégrer dans un mécanisme permettant de faire fonctionner le MI sur le terrain du développement des matériaux permet d’obtenir un brevet — il s’agit là d’une approche typique des brevets relatifs au MI.
Le brevet n° 7403032 de PFN (enregistré le 21 décembre 2023), qui s’inscrit dans les technologies de base de Matlantis, porte sur une méthode d’entraînement du NNP (potentiel des réseaux neuronaux).Les calculs de première principe pouvant donner des résultats légèrement différents selon les logiciels et les paramètres de calcul utilisés, le simple mélange de données d’apprentissage générées dans des conditions différentes entraîne une perte de précision. Pour remédier à ce problème, cette technique consiste à introduire les conditions de calcul dans le modèle sous forme d’« informations d’étiquetage », ce qui permet de mélanger des données issues de conditions différentes à des fins d’entraînement.(Résumé basé sur la revendication 1 de la publication internationale WO2022/260178. Le libellé des revendications au moment de l’enregistrement peut différer en raison des modifications apportées au cours de la procédure d’examen).Il s’agit d’une technologie visant à soutenir la simulation atomique « générique », applicable aussi bien aux cristaux (conditions aux limites périodiques) qu’aux molécules (conditions aux limites libres). Elle reflète une approche en matière de protection des droits propre aux entreprises d’IA, différente de celle des fabricants de matériaux, consistant à breveter la méthode d’entraînement des modèles d’IA elle-même.
Par ailleurs, les deux brevets de Yokohama Rubber couvrent respectivement le « problème direct (formulation → prédiction des propriétés) » et le « problème inverse (propriétés cibles → recherche de la formulation) » dans des brevets distincts, tandis que les deux brevets de Fujitsu associent le problème classique d’optimisation combinatoire qu’est la recherche de structures similaires à l’apprentissage automatique et au calcul par recuit.Il est intéressant de noter, d’un point de vue pratique, que les niveaux de protection (prétraitement des données / entraînement des modèles / algorithmes de recherche / systèmes d’exploitation) varient en fonction de la structure d’activité de chaque entreprise.
Si l’on se tourne vers l’étranger, on constate que les entreprises spécialisées dans l’IA, les fabricants d’équipements électriques et les fournisseurs spécialisés en MI poursuivent leurs efforts de protection des droits chacun selon leur propre position. Les brevets enregistrés ci-dessous ont également été vérifiés sur les pages officielles.
| Numéro de brevet | Titulaire | Points clés de la technologie |
|---|---|---|
| US 12 190 236 | DeepMind Technologies | Prédiction des propriétés de nouveaux matériaux à l'aide de l'intégration (embedding) de structures de matériaux connus (enregistré en janvier 2025) |
| US 11 537 898 | Samsung Electronics | Conception inverse permettant d’apprendre la distribution conjointe de la structure et des propriétés à l’aide d’un GAN, puis de générer directement la structure d’un matériau à partir des propriétés cibles (brevet européen correspondant EP3800586B1 également enregistré) |
| US 12 135 927 | IBM | Recherche de type « Expert-in-the-Loop » qui apprend les décisions d’acceptation ou de rejet des experts concernant les matériaux candidats générés par l’IA, et les intègre dans le classement des candidats |
| US 11 901 045 | IBM | Cadre permettant d’apprendre les caractéristiques à partir d’une base de données chimique et de générer de nouveaux candidats en combinant les caractéristiques de matériaux existants |
| US 11 004 037 | Citrine Informatics | Génère, grâce à l’apprentissage automatique, une « carte des capacités » indiquant les « combinaisons de propriétés réalisables et leur niveau de difficulté », reliant ainsi la conception de produits au développement des matériaux |
| US 10 984 145 | Citrine Informatics | Aide à la conception de formulations permettant de classer par ordre de probabilité de satisfaction des caractéristiques cibles et des contraintes les formulations candidates, y compris celles contenant de nouvelles matières premières |
La revendication 1 du brevet US 12 190 236 de DeepMind (date de priorité : 24 avril 2020, enregistrement : 7 janvier 2025) commence comme suit :
« Procédé mis en œuvre par ordinateur pour prédire une ou plusieurs propriétés d’un matériau, le procédé comprenant : la gestion de données spécifiant un ensemble de matériaux connus ayant chacun une structure physique connue respective... »
(Procédé mis en œuvre par ordinateur permettant de prédire une ou plusieurs propriétés d’un matériau, le procédé comprenant : la conservation de données spécifiant un ensemble de matériaux connus possédant chacun une structure physique connue respective...) Source : Google Patents (US12190236B2)
Parmi les inventeurs de ce brevet figurent notamment M. Tian Xie et M. James Kirkpatrick. Il s’agit des mêmes auteurs que ceux des articles GNoME et MatterGen, ce qui laisse supposer que le dépôt des brevets relatifs aux technologies de base a progressé de manière constante en coulisses, parallèlement à ces travaux de recherche très médiatisés.En revanche, aucune demande de brevet correspondant directement à « MatterGen » de Microsoft n’a pu être identifiée dans le cadre de cette étude (informations publiques disponibles en juillet 2026). Veuillez noter que, en principe, les demandes de brevet ne sont pas rendues publiques avant 18 mois à compter de leur dépôt ; par conséquent, le fait de ne pas trouver de demande ne signifie pas nécessairement qu’aucune n’a été déposée.
Point pratique : à l’instar du brevet de Samsung sur la rétro-ingénierie, la structure fondamentale de la génération de matériaux par GAN et modèles génératifs a déjà été brevetée dans des demandes déposées vers 2020. Les entreprises qui développent en interne ou mettent en place des systèmes de recherche de matériaux basés sur l’IA générative doivent désormais également vérifier la liberté d’exploitation (FTO) des méthodes de recherche elles-mêmes par rapport aux brevets de tiers.
Le principal obstacle à la brevetabilité des résultats de la MI n’est ni l’état de la technique ni le caractère inventif, mais les exigences de description (exigences de mise en œuvre et d’étayage).L’Office des brevets a clarifié ce point dans ses « Exemples d’examen de brevets relatifs aux technologies liées à l’IA » (publiés en trois séries en mars Heisei 29, janvier Heisei 31 et mars Reiwa 6, soit 25 exemples au total ; figurant dans l’annexe du Manuel d’examen des brevets et des modèles d’utilité). Ce recueil d’exemples énonce les principes suivants :
« Une invention portant sur un objet dont on présume qu’il possède une certaine fonction grâce à l’IA ne satisfait pas aux exigences de réalisabilité et de justification si la description détaillée de l’invention ne contient pas d’exemple de mise en œuvre dans lequel l’objet a été effectivement fabriqué et sa fonction évaluée, à moins que les résultats de l’estimation par IA ne puissent se substituer à l’évaluation d’un objet effectivement fabriqué.(Exemples 51 et 52) »
— Extrait de la synthèse figurant au début de l’annexe du Manuel d’examen des brevets et des modèles d’utilité intitulée « Exemples d’examen de brevets relatifs aux technologies liées à l’IA »
L’exemple 52, ajouté en mars de l’année Reiwa 6, porte précisément sur la rétro-ingénierie en MI (prédiction de la structure chimique à partir des propriétés luminescentes). Dans cet exemple, où les composés A et B ont été obtenus par IA, le composé A a été synthétisé et ses propriétés physiques mesurées, tandis que le composé B n’est que le fruit d’une prédiction ; la conclusion est sans équivoque.① Les revendications limitées au composé A, dont les propriétés ont été mesurées, satisfont aux exigences de description ; ② les revendications portant sur le composé B, qui repose uniquement sur des prédictions, ainsi que les revendications générales définies uniquement par des valeurs de propriétés, enfreignent les exigences de réalisabilité et de justification ; ③ la soumission d’un certificat de résultats expérimentaux après le dépôt de la demande ne permet pas de remédier à l’insuffisance de la description.En d’autres termes, selon la pratique actuelle en matière d’examen, il n’est pas possible d’obtenir un brevet sur une substance au stade de la « liste de candidats prometteurs générée par l’IA » ; la protection ne peut être accordée que dans la mesure où la validation a été effectuée (à titre d’exception, il est admis que les prévisions puissent se substituer aux mesures réelles lorsque la précision des prévisions de l’IA est elle-même vérifiée dans le mémoire descriptif, par exemple).
En ce qui concerne les revendications relatives aux méthodes de prédiction, l’exemple 50 (prédiction du taux d’apparition d’allergies) constitue une référence utile.Les revendications de méthode de prédiction générales qui ne spécifient pas les données d’entrée (descripteurs) constituent une violation de l’exigence de justification, à moins que la corrélation entre les données ne puisse être déduite des connaissances techniques courantes ; en revanche, les revendications limitées à une combinaison de descripteurs ayant fait l’objet d’une vérification ont été jugées valides. En outre, en ce qui concerne l’activité inventive, les exemples 33 et 34 montrentmontrent que l’activité inventive n’est pas reconnue lorsque l’invention se limite à « une simple systématisation des tâches humaines par l’IA » ou à « un simple remplacement du modèle de régression par un réseau neuronal » ; en revanche, l’exemple 34 démontre que l’activité inventive est reconnue lorsqu’un effet notable est obtenu en ajoutant des données d’entrée dont la corrélation n’était pas évidente au regard des connaissances techniques courantes.La ligne directrice pratique qui se dégage de ces exemples d’examen est que la brevetabilité des inventions MI réside davantage dans le « choix non trivial de caractéristiques et de descripteurs fondé sur les connaissances dans le domaine des matériaux » que dans la nouveauté de l’algorithme.
Point pratique : lors de la revendication de valeurs numériques ou de paramètres, il est nécessaire de présenter des exemples de mise en œuvre représentatifs de l’étendue de la revendication, en tenant compte des critères normatifs relatifs aux éléments de soutien énoncés dans l’arrêt rendu en grande chambre par la Cour d’appel de la propriété intellectuelle (11 novembre Heisei 17, affaire du film polarisant).La stratégie suivante, qui consiste à « effectuer des prévisions par IA → synthétiser et mesurer physiquement un petit nombre de candidats prometteurs → déposer une demande de brevet sur des substances ou des compositions dans la mesure où leur validité a été démontrée → déposer une demande de brevet améliorée après des vérifications supplémentaires », constitue le modèle de base de la pratique en matière de description de brevet à l’ère de l’intelligence artificielle (IA).
On considère que la source de la compétitivité de l’IA réside moins dans le modèle lui-même que dans les bases de données expérimentales accumulées au fil des années et dans les descripteurs (caractéristiques) conçus à partir de celles-ci.Si ces éléments se prêtent bien à la confidentialité car ils ne peuvent pas faire l’objet d’une rétro-ingénierie à partir des produits, ils présentent toutefois des faiblesses en matière d’exercice des droits : en effet, s’ils font l’objet d’une demande de brevet, ils sont en principe rendus publics au bout de 18 mois, et les revendications de procédé sont difficiles à détecter lorsqu’elles sont mises en œuvre sur les serveurs d’autres entreprises (ce paragraphe présente une synthèse générale de la pratique).Sur le plan institutionnel, la révision du 31 mars de l’année Reiwa 7 des lignes directrices du ministère de l’Économie, du Commerce et de l’Industrie (METI) relatives à la gestion des secrets d’affaires a clarifié que même une combinaison d’informations notoirement connues peut être reconnue comme non publique si leur acquisition en tant que données d’apprentissage pour l’IA a nécessité un temps et des coûts considérables, ce qui a permis de définir une voie pour protéger les ensembles de données expérimentales de l’IA en tant que secrets d’affaires.Si l’on opte pour la confidentialité, la pratique consiste à s’assurer de disposer de preuves (horodatage, etc.) du droit d’utilisation antérieure (article 79 de la loi sur les brevets) en prévision de demandes de brevet déposées ultérieurement par d’autres entreprises.
En ce qui concerne les demandes de brevet désignant l’IA comme inventeur (affaire DABUS), le tribunal de première instance de Tokyo, dans son jugement du 16 mai Reiwa 6, et la Cour d’appel de la propriété intellectuelle, dans son arrêt du 30 janvier Reiwa 7, ont tous deux estimé que, selon la loi sur les brevets, le statut d’inventeur est réservé aux personnes physiques (la Cour d’appel de la propriété intellectuelle a également évoqué la nécessité d’une réflexion législative).Les États-Unis (Thaler c. Vidal), la Cour suprême du Royaume-Uni et l’Office européen des brevets ont également adopté cette position. Dans le contexte de l’intelligence artificielle (IA), la conséquence pratique est simple : il convient d’identifier et de désigner comme inventeur la personne physique ayant participé de manière créative à la définition du problème, à la conception des descripteurs, à la sélection des candidats et aux essais de validation.Au sein même de l’Office des brevets, la question de la protection des « inventions où l’intervention humaine est réduite » fait l’objet d’un examen d’un point de vue institutionnel, en prenant pour exemple la recherche de matériaux (document du sous-comité sur le système des brevets du Conseil consultatif sur la structure industrielle, mars de l’année Reiwa 7).
① Les brevets liés à l’IA ont augmenté depuis 2015 ; au Japon, des entreprises telles que Resonac, Yokohama Rubber, Fujitsu et PFN ont obtenu des brevets enregistrés à différents niveaux : méthodes de recherche, systèmes d’exploitation et techniques d’entraînement.② À l’étranger, DeepMind, Samsung, IBM et Citrine ont breveté des configurations de base, et il existe déjà des brevets enregistrés concernant la rétro-ingénierie à partir de modèles génératifs.③ La pratique d’examen japonaise consiste à ne pas reconnaître de brevet de substance pour les « matériaux simplement prédits par l’IA » (exemples 51 et 52) ; la conception des essais de validation et le choix du moment du dépôt déterminent le succès ou l’échec de la protection par brevet — ces trois points constituent la trame de cet article.
Liste de contrôle préalable au dépôt d’une invention MI×IA
Ce blog aborde régulièrement les tendances en matière de propriété intellectuelle liées à l’IA. Pour comprendre les litiges en matière de brevets en cours, nous vous invitons à consulter notre article consacré au litige Kioxia contre Viasat ; pour les aspects pratiques de la constitution d’une famille de brevets, veuillez également consulter notre article sur la stratégie de dépôt de demandes divisionnaires.
Les entreprises qui envisagent de déposer des demandes de brevet pour des inventions liées à l’IA et à la MI (y compris la conception d’exemples de mise en œuvre dans le mémoire descriptif et l’examen de l’étendue de la divulgation des descripteurs), de mener des recherches sur l’état de la technique et des études de liberté d’exploitation (FTO), ou de déterminer comment distinguer ces démarches de la gestion des secrets d’affaires, sont invitées à nous contacter sans hésiter via le formulaire de contact du cabinet de propriété intellectuelle EVORIX.
[Avertissement] Le présent article est un exposé général basé sur des informations publiques disponibles au 18 juillet 2026 (Google Patents, J-PlatPat, WIPO PATENTSCOPE, documents publiés par l’Office japonais des brevets, communiqués de presse des différentes entreprises, etc.) et ne constitue en aucun cas un conseil juridique.Les données bibliographiques relatives aux brevets mentionnés dans cet article ont toutes été vérifiées sur les pages des bases de données publiques correspondantes ; toutefois, cela ne constitue en aucun cas une interprétation de l’étendue des droits ni une évaluation de la validité des brevets, et n’indique pas non plus l’existence d’une relation commerciale entre les entreprises citées et notre cabinet.Les revendications du brevet n° 7403032 sont celles citées lors de la publication internationale ; leur libellé peut différer en raison de modifications apportées lors de l'enregistrement. Les valeurs statistiques dépendent de la date de compilation et des définitions utilisées par les sources. (Sous la supervision d'un conseil en brevets)