머티리얼스 인포매틱스(Materials Informatics, 이하 ‘MI’)는 기계 학습을 비롯한 데이터 과학 기법을 통해 신소재 탐색 및 설계를 가속화하는 접근 방식입니다.2023년 11월, 구글 딥마인드(Google DeepMind)는 딥러닝 도구 ‘GNoME’를 통해 220만 건의 새로운 결정 구조를 발견했다고 발표했으며(네이처(Nature)지 게재),2025년 1월에는 마이크로소프트의 생성형 AI ‘MatterGen’에 관한 논문이 《네이처》지에 게재되는 등, AI를 활용한 소재 탐색은 최근 큰 주목을 받고 있습니다.일본에서도 Preferred Networks(PFN)와 ENEOS의 합작 회사가 2021년 7월부터 범용 원자 수준 시뮬레이터 ‘Matlantis’를 클라우드 서비스로 제공하고 있으며, 2024년 8월 기준으로 90개 이상의 기업 및 단체에 도입되었습니다.
본 기사에서는 이 분야의 특허를 1차 자료(Google Patents·J-PlatPat·WIPO PATENTSCOPE)를 통해 실존 여부를 확인한 뒤, ①특허 출원 동향 통계, ②일본 기업의 등록 특허 8건, ③해외 기업의 등록 특허 6건,④ ‘AI가 예측한 자료만으로는’ 특허를 받을 수 있는가라는 심사 실무의 핵심(특허청의 AI 심사 사례 51·52 등), ⑤ 특허화와 영업비밀의 적절한 활용──에 대해 변리사의 관점에서 해설합니다.
목차
기존의 소재 개발은 연구자의 경험과 직관에 기반한 가설 설정과 실험을 통한 시행착오의 반복이 중심이었으며, 신소재의 실용화에는 오랜 세월이 소요되어 왔습니다.MI는 축적된 실험·계산 데이터로부터 재료의 구조와 특성의 상관관계를 기계 학습을 통해 추출하고, ‘어떤 후보를 다음에 시험해야 할지’를 예측함으로써 이러한 시행착오를 대폭 단축하려는 것입니다.통합혁신전략추진회의가 결정한 ‘소재 혁신력 강화 전략’(레이와 3년 4월 27일 결정, 레이와 7년 6월 4일 개정) 역시 데이터 주도형 연구개발 기반 구축을 국가의 기본 방침으로 내걸고 있습니다.
기술적 전환점으로는 다음 세 가지 사건을 꼽을 수 있습니다.
| 시기 | 사건 |
|---|---|
| 2021년 7월 6일 | PFN×ENEOS 합작회사(PFCC)가 범용 원자 수준 시뮬레이터 ‘Matlantis’의 제공을 개시. 딥러닝을 통해 제1원리 계산(DFT) 대비 수만 배의 고속화를 목표로 함. 2024년 9월에는 96개 원소 대응 및 90개 이상의 기업·단체에 도입을 발표 |
| 2023년 11월 29일 | Google DeepMind가 ‘GNoME’를 통해 220만 건의 새로운 결정 구조(이 중 약 38만 건은 가장 안정적인 구조로 간주됨)를 발견했다고 발표(Nature지 게재). 외부 연구를 통해 736건이 독립적으로 실험 합성된 것으로 확인됨 |
| 2025년 1월 16일 | 마이크로소프트의 ‘MatterGen’ 논문이 네이처(Nature)지에 게재되었다. 확산 모델을 통해 원하는 특성에 따라 무기 물질을 직접 생성하고, 생성된 물질인 TaCr₂O₆의 실험적 합성까지 입증했다(벌크 탄성률: 설계값 200GPa 대비 실측 169GPa). |
시장 규모에 대해서는 조사 기관 간 정의 차이가 크며, Grand View Research는 2023년 약 1억 3,500만 달러(연평균 성장률 16.5%),360iResearch는 2025년에 약 7억 2천만 달러(연평균 성장률 18.34%)로 추산하는 등 추정치에 차이가 있지만, 높은 성장률이 예상된다는 점은 공통적입니다.
특허청은 레이와 원년도 특허 출원 기술 동향 조사에서 MI를 다루고 있습니다(레이와 2년 2월 공표). 해당 조사에 따르면, 2010~2017년(우선권 주장 연도 기준)의 MI 관련 특허 패밀리는 일본·미국·유럽·중국·한국·인도 합계 493건입니다.출원인 국적별로는 중국이 332건(67.3%)으로 단연 두드러졌으며, 한국 55건(11.2%), 일본 37건(7.5%), 미국 35건(7.1%)이 그 뒤를 이었습니다.출원은 2015년경부터 증가세로 돌아섰으며(2015년 48건 → 2017년 116건), 이는 딥러닝 붐과 맞물린 움직임입니다. 일본 출원인 중에서는 태평양 시멘트(10건)가 상위권에 이름을 올렸습니다.
주의: 이 통계는 2010~2017년 출원 건을 2020년에 집계한 것으로, 최근 상황은 더욱 변화하고 있습니다. 참고로, 특허청의 ‘AI 관련 발명 출원 현황 조사’(2025년 10월판)에 따르면, 일본에 대한 AI 관련 발명 출원은 2023년에 약 11,400건까지 증가했으며, AI 핵심 발명(G06N 부여)의 중국 출원은 2023년에 10만 건을 넘어 미국의 5배 이상에 달하고 있습니다.
특허 분류 측면에서는 2019년 1월 국제특허분류(IPC) 개정으로 ‘G16C(계산화학·화학정보학·계산재료과학)’가 신설되었으며, 기계학습·케모메트릭스(G16C 20/70),화합물의 물성 예측(G16C 20/30), 분자 설계(G16C 20/50), 계산 재료과학(G16C 60/00) 등의 그룹이 정비되었습니다.MI 관련 발명은 실무상 이 G16C(용도 측면)와 기계 학습 그 자체를 나타내는 G06N(AI 기법 측면)의 조합으로 검색·분류되는 경우가 많으며, 선행기술 조사나 FTO 조사에서도 이 두 계통을 파악하는 것이 출발점이 됩니다.
여기서는 본 사무소가 Google Patents·J-PlatPat·WIPO PATENTSCOPE의 실제 페이지에서 서지 사항 및 등록 상황을 확인한 일본 기업의 등록 특허 8건을 소개합니다(2026년 7월 18일 기준 조사. 포괄적인 목록은 아닙니다).
| 특허 번호 | 권리자 | 기술의 요점 |
|---|---|---|
| 특허 제6950119호 | 쇼와덴코(현 레조낙) | 데이터 과학자가 모델을 구축하고 다수의 비숙련자가 사용하는 ‘분업형’ 재료 설계 시스템 (정방향 문제·역방향 문제 모두 대응) |
| 특허 제7190615호 | 쇼와덴코(현 레조낙) | 설명 변수에 재료 특성의 평가 온도·유지 시간을 추가하여 온도에 따른 재료 특성을 예측하는 방법(알루미늄 합금의 인장 강도 등) |
| 특허 제7109339호 | 쇼와덴코 | 가우스 과정 회귀를 통해 물성의 예측값과 불확실성을 산출하고, 다음으로 검증해야 할 고분자 구조를 추천 (베이즈 최적화형 탐색) |
| 특허 제7218519호 | 요코하마 고무 | 가황 고무의 배합·가공 조건으로부터 물성을 기계 학습으로 예측. 소수의 샘플 항목에 대해 회귀 분석을 통해 보간하는 전처리가 특징 |
| 특허 제7215017호 | 요코하마 고무 | 학습된 모델과 진화 알고리즘을 통해 목표 물성을 실현하는 고무 배합을 역탐색(원자재 수에 대한 제약 조건 적용) |
| 특허 제7302297호 | 후지쯔 | ‘최대 독립 집합 탐색’을 통해 분자 구조의 유사도를 산출하여 상대 유전율 등을 예측 |
| 특허 제7388217호 | 후지쯔 | 결정 구조를 그래프로 표현하고, 유사성 분석을 이징 모델로 수식화하여 어닐링 머신으로 해결 (양자 영감 계산 × MI) |
| 특허 제7403032호 | Preferred Networks | 신경망 잠재력(NNP) 훈련 시, 제1원리 계산의 조건 차이를 ‘라벨 정보’로 흡수하는 범용화 기술 |
MI 특허의 청구항이 어떻게 작성되는지, 대표적인 예로 특허 제6950119호의 청구항 1을 인용합니다.
“복수의 조성으로 이루어진 재료, 또는 복수의 제조 조건의 조합에 의해 제조되는 재료를 포함하는 설계 대상 재료를 설계하기 위한 재료 설계 시스템으로서,상기 설계 대상 재료의 설계 조건과 재료 특성값 간의 대응 관계를 입출력으로 하는 모델의 기계 학습을 수행하기 위한 모델 학습용 인터페이스를 이용할 수 있는 전문가 단말기와, 특정 상기 설계 대상 재료에 대해,상기 전문가 단말기에 의해 작성된 상기 특정 설계 대상 재료용 학습 완료 모델을 이용하여, 상기 설계 조건으로부터 상기 재료 특성값을, 또는 상기 재료 특성값으로부터 상기 설계 조건을 추정하기 위한 재료 설계용 인터페이스를 이용할 수 있는 복수의 범용 단말기를 구비하는 재료 설계 시스템.”
주목할 점은, 이 청구항이 기계 학습 알고리즘 그 자체가 아니라, ‘모델을 만드는 측(전문가 단말기)’과 ‘모델을 사용하는 측(복수의 범용 단말기)’이라는 시스템 구성(운영 구조)으로 발명을 파악하고 있다는 점입니다.예측 모델 자체의 차별화가 어렵더라도, 재료 개발 현장에서 MI를 운영하기 위한 체계로 구체화함으로써 권리를 확보하는 것──이는 MI 특허의 전형적인 접근 방식 중 하나라고 할 수 있습니다.
Matlantis의 기반 기술 계열에 속하는 PFN의 특허 제7403032호(2023년 12월 21일 등록)는 NNP(신경망 잠재력)의 훈련 방법에 관한 것입니다.제1원리 계산은 소프트웨어나 계산 매개변수에 따라 결과가 미묘하게 달라지기 때문에, 서로 다른 조건에서 생성된 학습 데이터를 단순히 혼합하면 정확도가 떨어집니다──이러한 과제에 대응하여, 계산 조건을 ‘라벨 정보’로 모델에 입력하고, 조건이 다른 데이터를 혼합하여 훈련할 수 있도록 하는 내용입니다(국제공개 WO2022/260178의 청구항 1에 기초한 요약. 등록 시의 청구항은 심사 과정의 보정에 따라 문구가 다를 수 있습니다).결정(주기 경계 조건)과 분자(자유 경계 조건) 양쪽에 일반화되는 ‘범용’ 원자 시뮬레이션을 뒷받침하는 방향의 기술이며, AI 모델의 훈련 방법 자체를 특허화한다는 점에서, 소재 제조사와는 다른 AI 기업다운 권리화 접근 방식이 드러나 있습니다.
이 밖에도 요코하마 고무의 2건은 ‘정방향 문제(배합 → 물성 예측)’와 ‘역방향 문제(목표 물성 → 배합 탐색)’를 각각 별도의 특허로 확보하는 구조로 되어 있으며, 후지쯔의 2건은 유사 구조 검색이라는 고전적인 조합 최적화 문제를 기계 학습 및 어닐링 계산과 결합하고 있습니다.각 기업의 사업 구조에 따라 권리화 계층(데이터 전처리／모델 훈련／탐색 알고리즘／운영 시스템)이 서로 다른 점이 실무적으로 흥미로운 부분입니다.
해외로 시선을 돌려보면, AI 기업·전자 제조사·MI 전문 벤더가 각자의 입장에서 권리화를 추진하고 있습니다. 다음 역시 실제 페이지에서 확인된 등록 특허입니다.
| 특허 번호 | 권리자 | 기술의 요점 |
|---|---|---|
| US 12,190,236 | DeepMind Technologies | 기존 물질의 구조 임베딩(embedding)을 이용하여 신규 물질의 특성을 예측 (2025년 1월 등록) |
| US 11,537,898 | 삼성전자 | GAN을 통해 구조와 특성의 결합 분포를 학습하고, 목표 특성으로부터 재료 구조를 직접 생성하는 역설계 (유럽 대응 특허 EP3800586B1도 등록 완료) |
| US 12,135,927 | IBM | AI가 생성한 소재 후보에 대한 전문가의 채택·거부 판단을 학습하여 후보 순위에 반영하는 ‘전문가 인 더 루프(Expert-in-the-Loop)’형 탐색 |
| US 11,901,045 | IBM | 화학 데이터베이스에서 특징을 학습하고, 기존 물질의 특징을 조합하여 새로운 후보를 생성하는 프레임워크 |
| US 11,004,037 | Citrine Informatics | 기계 학습을 통해 ‘달성 가능한 특성 조합과 난이도’를 나타내는 역량 맵을 생성하여, 제품 설계와 소재 개발을 연계 |
| US 10,984,145 | Citrine Informatics | 신규 원료를 포함한 배합 레시피 후보를 목표 특성 및 제약 조건 충족 가능성에 따라 순위를 매기는 배합 설계 지원 |
DeepMind의 US 12,190,236(우선일 2020년 4월 24일, 2025년 1월 7일 등록)의 청구항 1은 다음과 같이 시작됩니다.
"재료의 하나 이상의 특성을 예측하기 위한 컴퓨터 구현 방법으로서, 본 방법은 각각 알려진 물리적 구조를 갖는 알려진 재료 집합을 명시하는 데이터를 유지하는 단계를 포함한다..."
(알려진 물리적 구조를 갖는 알려진 물질의 집합을 특정하는 데이터를 유지하고, 물질의 하나 이상의 특성을 예측하는 컴퓨터 구현 방법──이하, 유사한 알려진 물질의 특정 및 임베딩을 이용한 특성 예측의 구성이 이어짐) 출처: Google Patents(US12190236B2)
이 특허의 발명자로는 Tian Xie 씨, James Kirkpatrick 씨 등이 이름을 올리고 있습니다. GNoME 논문 및 MatterGen 논문의 저자들과 겹치는 인물들로, 화제가 된 연구 성과 뒤에서 기반 기술에 대한 특허 출원이 착실히 진행되어 왔음을 알 수 있습니다.한편, Microsoft의 ‘MatterGen’ 자체에 해당하는 특허 출원은 이번 조사(2026년 7월 시점의 공개 정보)에서는 확인되지 않았습니다. 특허 출원은 원칙적으로 출원일로부터 18개월 동안 공개되지 않으므로, ‘출원을 찾을 수 없다 = 출원하지 않았다’고 단정할 수는 없다는 점에 유의하시기 바랍니다.
실무 포인트: 삼성의 리버스 엔지니어링 특허와 같이 GAN·생성 모델을 통한 자료 생성의 기본 구성이 2020년 전후의 출원일로 이미 권리화되어 있습니다. 생성형 AI를 활용해 자료 탐색 시스템을 자체 개발하거나 도입하는 기업은, 탐색 기법 자체에 대해 제3자 특허의 클리어런스(FTO)를 확인하는 관점도 필요해지고 있습니다.
MI의 성과를 특허화하는 데 있어 가장 큰 관문은 진보성도, 발명 해당성도 아닌 기재 요건(실시 가능 요건·지원 요건)입니다.특허청은 ‘AI 관련 기술에 관한 특허 심사 사례’(헤이세이 29년 3월·헤이세이 31년 1월·레이와 6년 3월의 3차에 걸쳐 공표, 총 25건. 특허·실용신안 심사 핸드북 부록에 게재)에서 이 점을 명확히 하고 있습니다. 사례집은 다음과 같은 기준을 제시합니다.
“AI를 통해 특정 기능을 갖는 것으로 추정된 물건의 발명은, 발명의 상세한 설명에 실제로 물건을 제조하여 해당 기능을 평가한 실시예를 기재하지 않은 경우, AI에 의한 추정 결과가 실제로 제조된 물건의 평가를 대체할 수 없는 한, 실시 가능성 요건 및 지원 요건을 충족하지 못한다.(사례 51, 사례 52)」
──특허·실용신안 심사 핸드북 부록 ‘AI 관련 기술에 관한 특허 심사 사례’ 서두의 정리에서
레이와 6년 3월에 추가된 사례 52는 바로 MI의 역설계(발광 특성으로부터 화학 구조를 예측)를 소재로 하고 있습니다. AI를 통해 화합물 A와 B를 도출하고, A는 실제로 합성하여 물성을 실측한 반면, B는 예측에만 그친 사례로, 결론은 명쾌합니다.① 실측이 완료된 화합물 A로 한정된 청구항은 기재 요건을 충족하며, ② 예측만으로 이루어진 화합물 B에 대한 청구항과 특성값만으로 규정된 포괄 청구항은 실시 가능 요건·지원 요건 위반이며, ③ 출원 후에 실험 성적 증명서를 제출하더라도 기재 부족은 보완되지 않습니다.즉, ‘AI가 제시한 유망 후보 목록’ 단계에서는 물질 특허를 취득할 수 없으며, 실증을 마친 범위 내에서만 권리화할 수 있는 것이 현재의 심사 실무입니다(예외적으로, AI의 예측 정확도 자체가 명세서 내에서 검증된 경우 등에는 예측이 실측을 대체할 수 있다고 간주됩니다).
예측 방법의 청구항에 대해서는 사례 50(알레르기 발병률 예측)이 참고가 됩니다.입력 데이터(기술자)를 특정하지 않는 광범위한 예측 방법 청구항은, 데이터 간의 상관관계를 기술 상식으로 추론할 수 없는 한 지원 요건 위반이 되며, 검증된 기술자의 조합으로 한정된 청구항은 적법한 것으로 인정되었습니다. 또한 진보성에 대해서는 사례 33·34가“사람의 업무를 단순히 AI로 시스템화한 것”, “회귀 모델을 신경망으로 대체한 것”만으로는 진보성이 인정되지 않음을 보여주는 반면, 사례 34는 상관관계가 기술 상식으로 파악되지 않았던 입력 데이터를 추가하여 현저한 효과를 얻은 경우에는 진보성이 인정된다는 점을 보여줍니다.MI 발명의 특허성은 알고리즘의 참신함보다 ‘재료 분야의 지견에 기반한 특징량·기술자의 비자명한 선택’에 달려 있다는 것이 심사 사례에서 읽을 수 있는 실무 지침입니다.
실무 요점: 수치 한정·파라미터로 청구항을 작성할 경우, 지식재산고등법원 대합의 판결(헤이세이 17년 11월 11일·편광 필름 사건)의 지원 요건 규범도 고려하여, 청구항 범위를 대표하는 실시예의 배치가 필요합니다.‘AI 예측 → 소수의 유망 후보에 대한 실제 합성·실측 → 실증된 범위 내에서 물질·조성물 특허 출원 → 추가 실증 후 개량 출원’이라는 출원 시기 설계가 MI 시대의 명세서 실무의 기본 형태가 됩니다.
MI의 경쟁력 원천은 모델 그 자체보다 오랜 기간 축적된 실험 데이터베이스와, 이를 바탕으로 설계된 설명자(특징량)에 있다고 합니다.이들은 제품으로부터 리버스 엔지니어링할 수 없어 비밀 유지에 적합한 반면, 특허를 출원하면 원칙적으로 18개월 후에 공개되며, 방법 청구항은 타사 서버 내에서의 실시를 감지하기 어렵다는 권리 행사상의 약점도 있습니다(이 단락은 실무상 일반적인 정리입니다).제도적 측면에서는, 경제산업성의 영업비밀 관리 지침이 레이와 7년 3월 31일 개정되면서, 공지 정보의 조합이라 하더라도 AI 학습용 데이터로서 취득에 상당한 시간과 비용이 소요되는 것은 비공지성이 인정될 수 있음이 명확해졌으며, MI의 실험 데이터셋을 영업비밀로 보호할 수 있는 방안이 마련되었습니다.비밀 유지를 선택하는 경우, 타사의 후행 출원에 대비한 선사용권(특허법 제79조)의 증거 확보(타임스탬프 등)가 실무상 필수 절차가 됩니다.
AI를 발명자로 하는 출원(DABUS 사건)에 대해서는 일본에서도 도쿄지방법원 레이와 6년 5월 16일 판결과 지식재산고등법원 레이와 7년 1월 30일 판결에서, 특허법상 발명자는 자연인에 한정된다고 판단했습니다(지식재산고등법원은 입법론의 필요성에도 언급).미국(Thaler v. Vidal), 영국 대법원, 유럽특허청도 같은 취지입니다. MI 맥락에서의 실무적 결론은 간단하며, 과제 설정·표지자 설계·후보자 선정·실증 실험에 창작적으로 관여한 자연인을 발명자로 특정하여 기재하는 것입니다.특허청에서도 재료 탐색을 예로 들며 ‘인간의 관여가 감소한 발명’의 보호 방안에 대해 제도론적 차원에서 검토하고 있습니다(산업구조심의회 특허제도소위원회·레이와 7년 3월 자료).
① MI 관련 특허는 2015년 이후 증가했으며, 일본에서는 레조낙·요코하마 고무·후지쯔·PFN 등이 탐색 기법·운용 시스템·훈련 기술의 각 계층에서 등록 특허를 확보하고 있다.② 해외에서는 DeepMind·삼성·IBM·Citrine이 기반적인 구성을 권리화하고 있으며, 생성 모델을 이용한 역설계는 이미 등록 특허가 존재한다.③ ‘AI가 예측한 것에 불과한 자료’에는 물질 특허가 인정되지 않는 것이 일본의 심사 실무이며(사례 51·52), 실증 실험과 출원 시기의 설계가 권리화 성패를 좌우한다──이 3가지가 본 기사의 골자입니다.
MI×AI 발명의 출원 전 체크리스트
AI 관련 지식재산 동향에 대해서는 본 블로그에서도 지속적으로 다루고 있습니다. 계속 중인 특허 분쟁을 분석하는 방법은 키오쿠시아 대 Viasat 특허 소송 해설 기사를, 특허 패밀리 형성 실무는 분할 출원 전략 해설 기사도 함께 참고해 주시기 바랍니다.
MI·AI 관련 발명의 특허 출원(명세서의 실시예 설계·기술적 특징의 공개 범위 검토 포함), 선행기술 조사·FTO 조사, 영업비밀 관리와의 적절한 활용 방안을 고려 중인 기업은 지식재산 사무소 에볼릭스의 문의 양식을 통해 부담 없이 상담해 주시기 바랍니다.
【면책 조항】 본 기사는 2026년 7월 18일 시점의 공개 정보(Google Patents·J-PlatPat·WIPO PATENTSCOPE·특허청 공표 자료·각사 보도자료 등)에 기반한 일반적인 해설이며, 법적 조언이 아닙니다.기사 내의 특허는 모두 공개 데이터베이스의 실제 페이지에서 서지 정보를 확인하였으나, 이는 권리 범위의 해석이나 유효성 평가를 나타내는 것이 아니며, 게재된 기업과 당소 사이에 거래 관계가 있음을 나타내는 것도 아닙니다.특허 제7403032호의 청구항은 국제 공개 당시의 내용을 인용한 것이며, 등록 시의 보정에 따라 문구가 달라질 가능성이 있습니다. 통계치는 출처의 집계 시점 및 정의에 따라 달라집니다. (변리사 감수)