A vanguarda das patentes em Informática de Materiais (MI) × IA | Um advogado especializado em patentes explica 14 patentes comprovadas, nacionais e internacionais, e as…

Introdução: A IA começou a transformar a “descoberta de materiais” — então, como fica a questão das patentes?

A Informática de Materiais (Materials Informatics, doravante “MI”) é uma abordagem que acelera a busca e o projeto de novos materiais por meio de técnicas de ciência de dados, incluindo o aprendizado de máquina.Em novembro de 2023, o Google DeepMind anunciou ter descoberto 2,2 milhões de novas estruturas cristalinas com a ferramenta de aprendizado profundo “GNoME” (publicado na revista Nature),e, em janeiro de 2025, um artigo sobre a IA generativa “MatterGen” da Microsoft foi publicado na revista *Nature*, entre outros exemplos, a busca por materiais por meio da IA vem atraindo grande atenção nos últimos anos.No Japão, uma joint venture entre a Preferred Networks (PFN) e a ENEOS oferece, desde julho de 2021, o simulador genérico em nível atômico “Matlantis” na nuvem, que, em agosto de 2024, já havia sido adotado por mais de 90 empresas e organizações.

Neste artigo, após a verificação da existência das patentes nessa área por meio de fontes primárias (Google Patents, J-PlatPat e WIPO PATENTSCOPE), abordaremos: ① estatísticas sobre as tendências de pedidos de patente; ② oito patentes registradas por empresas japonesas; ③ seis patentes registradas por empresas estrangeiras;④ o cerne da prática de exame: “É possível obter uma patente para ‘materiais meramente previstos pela IA’?” (casos de exame com IA do Escritório de Patentes nº 51 e 52, entre outros), ⑤ a distinção entre patenteamento e segredos comerciais — a partir da perspectiva de um advogado especializado em patentes.

1. O que é MI? — Três eventos em que a IA transformou o desenvolvimento de materiais e o contexto político e de mercado

O desenvolvimento convencional de materiais baseava-se principalmente na formulação de hipóteses a partir da experiência e da intuição dos pesquisadores, além da repetição de tentativas e erros por meio de experimentos, o que exigia muitos anos para a comercialização de novos materiais.A MI busca reduzir significativamente essa tentativa e erro ao extrair, por meio de aprendizado de máquina, a correlação entre a estrutura e as propriedades dos materiais a partir de dados experimentais e computacionais acumulados e ao prever “qual candidato deve ser testado em seguida”.A “Estratégia de Fortalecimento da Capacidade de Inovação em Materiais” (aprovada em 27 de abril de Reiwa 3 e revisada em 4 de junho de Reiwa 7) pelo Conselho de Promoção da Estratégia de Inovação Integrada também estabelece como política básica do governo a criação de uma infraestrutura de pesquisa e desenvolvimento orientada por dados.

Como marcos tecnológicos, podem ser citados os três eventos a seguir.

Quanto ao tamanho do mercado, há grandes diferenças de definição entre as empresas de pesquisa: a Grand View Research estima cerca de 135 milhões de dólares americanos em 2023 (taxa média de crescimento anual de 16,5%),já a 360iResearch estima cerca de 720 milhões de dólares americanos em 2025 (TAEG de 18,34%), embora haja uma variação nas estimativas, todas concordam que é esperada uma alta taxa de crescimento.

2. Tendências dos pedidos de patentes de MI em números (Pesquisa do Instituto de Patentes do Japão · Classificação G16C)

O Instituto de Patentes abordou o MI em sua Pesquisa sobre Tendências Tecnológicas de Pedidos de Patentes do ano fiscal de Reiwa 1 (divulgada em fevereiro de Reiwa 2). De acordo com a pesquisa, entre 2010 e 2017 (com base no ano de reivindicação de prioridade), o total de famílias de patentes relacionadas ao MI no Japão, EUA, Europa, China, Coreia do Sul e Índia somou 493.Por nacionalidade do requerente, a China se destaca com 332 pedidos (67,3%), seguida pela Coreia do Sul com 55 pedidos (11,2%), Japão com 37 pedidos (7,5%) e Estados Unidos com 35 pedidos (7,1%).O número de pedidos começou a aumentar por volta de 2015 (48 em 2015 → 116 em 2017), um movimento que acompanhou o boom do aprendizado profundo. Entre os requerentes japoneses, a Pacific Cement (10 pedidos) figura entre os primeiros colocados.

No que diz respeito à classificação de patentes, com a revisão da Classificação Internacional de Patentes (IPC) em janeiro de 2019, foi criada a nova categoria “G16C (Química Computacional, Informática Química e Ciência Computacional dos Materiais)”, abrangendo grupos como aprendizado de máquina e quimiometria (G16C 20/70),previsão de propriedades físicas de compostos (G16C 20/30), projeto molecular (G16C 20/50) e ciência computacional dos materiais (G16C 60/00).Na prática, as invenções relacionadas à MI são frequentemente pesquisadas e classificadas por meio da combinação entre esta G16C (lado da aplicação) e a G06N (lado das técnicas de IA), que representa o aprendizado de máquina em si; portanto, abordar essas duas vertentes constitui o ponto de partida para pesquisas de estado da técnica e de liberdade para inovar (FTO).

3. Patentes de MI×IA de empresas japonesas — 8 casos verificados (Resonac, Yokohama Rubber, Fujitsu, PFN)

A partir daqui, apresentamos oito patentes registradas por empresas japonesas cujos dados bibliográficos e status de registro foram verificados por nosso escritório diretamente nas páginas do Google Patents, J-PlatPat e WIPO PATENTSCOPE (pesquisa realizada em 18 de julho de 2026. Esta lista não é exaustiva).

Análise das reivindicações (1): O “sistema de MI com divisão de tarefas” da Resonac (Patente nº 6950119)

Para ilustrar como as reivindicações das patentes de MI são redigidas, cito, a título de exemplo, a reivindicação 1 da Patente nº 6950119.

Vale destacar que esta reivindicação não se refere ao algoritmo de aprendizado de máquina em si, mas sim à invenção como uma configuração de sistema (mecanismo de operação) que distingue entre “quem cria o modelo (terminal especializado)” e “quem utiliza o modelo (vários terminais de uso geral)”.Mesmo que seja difícil diferenciar o modelo de previsão em si, é possível obter direitos de patente ao incorporar a invenção em um mecanismo para operar o MI no ambiente de desenvolvimento de materiais — essa pode ser considerada uma abordagem típica das patentes de MI.

Análise da reivindicação ②: Tecnologia de treinamento de NNP de uso geral da PFN (Patente nº 7403032)

A patente nº 7403032 da PFN (registrada em 21 de dezembro de 2023), posicionada como parte da tecnologia de base da Matlantis, refere-se a um método de treinamento de NNP (Potencial de Rede Neural).Como os cálculos de primeiros princípios apresentam resultados ligeiramente diferentes dependendo do software e dos parâmetros de cálculo, a simples combinação de dados de treinamento criados sob condições diferentes reduz a precisão — para resolver esse desafio, o método consiste em inserir as condições de cálculo no modelo como “informações de rótulo”, permitindo que dados com condições diferentes sejam combinados para o treinamento(Resumo baseado na reivindicação 1 da publicação internacional WO2022/260178. A redação das reivindicações no momento do registro pode diferir devido a correções realizadas durante o processo de exame).Trata-se de uma tecnologia que sustenta simulações atômicas “genéricas”, generalizáveis tanto para cristais (condições de contorno periódicas) quanto para moléculas (condições de contorno livres), e reflete uma abordagem de proteção de direitos típica de empresas de IA — diferente daquela adotada por fabricantes de materiais —, que consiste em patentear o próprio método de treinamento do modelo de IA.

Além disso, as duas patentes da Yokohama Rubber apresentam uma estrutura em que o “problema direto (formulação → previsão de propriedades)” e o “problema inverso (propriedade alvo → busca pela formulação)” são protegidos por patentes distintas, enquanto as duas patentes da Fujitsu associam o problema clássico de otimização combinatória, conhecido como busca de estruturas semelhantes, ao aprendizado de máquina e ao cálculo de recozimento.Um aspecto interessante na prática é que as camadas de proteção de direitos (pré-processamento de dados / treinamento de modelos / algoritmos de busca / sistemas operacionais) diferem de acordo com a estrutura de negócios de cada empresa.

4. Patentes de MI×IA de empresas estrangeiras — 6 patentes verificadas (DeepMind, Samsung, IBM, Citrine)

Olhando para o exterior, empresas de IA, fabricantes de eletrônicos e fornecedores especializados em MI estão avançando na obtenção de direitos de patente a partir de suas respectivas perspectivas. A seguir, apresentamos patentes registradas cujas páginas foram verificadas.

A reivindicação 1 da patente US 12.190.236 da DeepMind (data de prioridade: 24 de abril de 2020; registro em 7 de janeiro de 2025) começa da seguinte forma:

Entre os inventores desta patente estão Tian Xie e James Kirkpatrick. Trata-se de um grupo que coincide com os autores dos artigos sobre o GNoME e o MatterGen, o que sugere que, por trás dos resultados de pesquisa que têm sido alvo de tanta atenção, o processo de registro das tecnologias de base avançava de forma constante.Por outro lado, não foi possível confirmar, nesta pesquisa (com base em informações divulgadas em julho de 2026), o pedido de patente correspondente ao próprio “MatterGen” da Microsoft. Como, em princípio, os pedidos de patente não são divulgados por 18 meses a partir da data de depósito, é importante observar que “não encontrar o pedido” não significa necessariamente que “não tenha sido depositado”.

5. O cerne da prática de exame — É possível obter uma patente para “materiais meramente previstos pela IA”?

O maior obstáculo para patentear os resultados da MI não é a atividade inventiva nem a qualidade de invenção, mas sim os requisitos de descrição (requisito de executabilidade e requisito de suporte).O Instituto de Patentes do Japão esclarece esse ponto nos “Casos de exame de patentes relacionados a tecnologias de IA” (divulgados em três séries: março de Heisei 29, janeiro de Heisei 31 e março de Reiwa 6; total de 25 casos, publicados no anexo do Manual de Exame de Patentes e Modelos de Utilidade). A coletânea de casos apresenta a seguinte diretriz:

Caso 52 (Compostos fluorescentes) — Resposta direta à prática de MI

O Caso 52, adicionado em março de Reiwa 6, tem como tema exatamente a retroengenharia em MI (previsão da estrutura química a partir das características de emissão de luz). No exemplo, os compostos A e B foram obtidos por meio de IA; o A foi sintetizado de fato e suas propriedades físicas foram medidas, enquanto o B se baseou apenas em previsões. A conclusão é clara.① As reivindicações limitadas ao composto A, cujas propriedades foram medidas, atendem aos requisitos de descrição; ② As reivindicações relativas ao composto B, baseadas apenas em previsões, e as reivindicações abrangentes definidas apenas por valores de propriedades violam os requisitos de executabilidade e de suporte; ③ A apresentação de um certificado de resultados experimentais após o depósito do pedido não sanará a falta de descrição.Em outras palavras, na prática atual de exame, não é possível obter uma patente de substância na fase de “lista de candidatos promissores gerada pela IA”; a proteção só pode ser concedida na medida em que a validação tenha sido concluída (como exceção, considera-se que a previsão pode substituir a medição real nos casos em que a precisão da previsão da IA tenha sido verificada na descrição, entre outros).

Exemplos 50 e 34 — “Quais descritores foram escolhidos” é o fator decisivo

No que diz respeito às reivindicações de métodos de previsão, o Caso 50 (previsão da taxa de incidência de alergias) serve como referência.Reivindicações de métodos de previsão amplas, que não especificam os dados de entrada (descritores), violam o requisito de apoio, a menos que a correlação entre os dados possa ser inferida a partir do conhecimento técnico comum; por outro lado, reivindicações limitadas a combinações de descritores já verificados foram consideradas válidas. Além disso, no que diz respeito à atividade inventiva, os Casos 33 e 34mostram que a atividade inventiva não é reconhecida quando se trata de “apenas sistematizar o trabalho humano por meio de IA” ou “apenas substituir o modelo de regressão por uma rede neural”; por outro lado, o Caso 34 demonstra que a atividade inventiva é reconhecida quando se obtém um efeito notável ao adicionar dados de entrada cuja correlação não era de conhecimento técnico comum.A orientação prática que se depreende dos casos de exame é que a patenteabilidade das invenções de MI reside, mais do que na novidade do algoritmo, na “seleção não trivial de características e descritores com base em conhecimentos da área de materiais”.

6. Patente ou segredo comercial? — Como proteger dados de aprendizado e descritores e a questão do inventor de IA

Dados de treinamento e descritores são ativos com “alto potencial de confidencialidade”

Diz-se que a fonte da competitividade da MI reside, mais do que no modelo em si, na base de dados de experimentos acumulada ao longo de muitos anos e nos descritores (características) projetados a partir dela.Embora sejam adequados para a confidencialidade, uma vez que não podem ser obtidos por engenharia reversa a partir dos produtos, eles também apresentam pontos fracos no exercício dos direitos: se um pedido de patente for apresentado, ele será divulgado, em princípio, em 18 meses; além disso, é difícil detectar a implementação de reivindicações de método em servidores de outras empresas (este parágrafo é uma síntese geral da prática profissional).Do ponto de vista institucional, a revisão de 31 de março de Reiwa 7 das Diretrizes de Gestão de Segredos Comerciais do Ministério da Economia, Comércio e Indústria esclareceu que, mesmo que se trate de uma combinação de informações de domínio público, pode-se reconhecer a não divulgação pública quando a aquisição de dados para treinamento de IA exigir tempo e custos consideráveis, estabelecendo assim um caminho para proteger os conjuntos de dados experimentais de MI como segredos comerciais.Caso se opte pela confidencialidade, a garantia de provas (como carimbos de data e hora) para o direito de uso anterior (Artigo 79 da Lei de Patentes), em preparação para pedidos posteriores de outras empresas, torna-se parte integrante da prática.

Não se pode dizer que “a IA inventou” — as consequências do caso DABUS

No que diz respeito aos pedidos de patente que têm a IA como inventora (caso DABUS), também no Japão, a Decisão do Tribunal Distrital de Tóquio de 16 de maio de Reiwa 6 e a Decisão do Tribunal Superior de Propriedade Intelectual de 30 de janeiro de Reiwa 7 determinaram que, nos termos da Lei de Patentes, o inventor se limita a pessoas físicas (o Tribunal Superior de Propriedade Intelectual também mencionou a necessidade de uma discussão legislativa).Os Estados Unidos (Thaler v. Vidal), a Suprema Corte do Reino Unido e o Escritório Europeu de Patentes também seguem essa linha. A consequência prática no contexto da Inteligência Artificial (IA) é simples: identificar e indicar como inventor a pessoa física que participou de forma criativa na definição do problema, na concepção dos descritores, na seleção de candidatos e nos experimentos de validação.No Escritório de Patentes, tomando como exemplo a pesquisa de materiais, está sendo discutida, do ponto de vista institucional, a forma de proteção das “invenções com menor envolvimento humano” (Subcomitê do Sistema de Patentes do Conselho de Estrutura Industrial — documento de março de Reiwa 7).

7. Resumo — Lista de verificação para estratégias de depósito de patentes na era da IA

① As patentes relacionadas à IA têm aumentado desde 2015; no Japão, empresas como Resonac, Yokohama Rubber, Fujitsu e PFN garantiram patentes registradas em cada camada: métodos de exploração, sistemas operacionais e técnicas de treinamento.② No exterior, empresas como DeepMind, Samsung, IBM e Citrine registraram direitos sobre configurações fundamentais, e já existem patentes registradas para o retroengenharia por meio de modelos de geração.③ Na prática de exame do Japão, não são reconhecidas patentes de substâncias para “materiais meramente previstos pela IA” (Casos 51 e 52), e o planejamento dos experimentos de validação e do momento do depósito do pedido determina o sucesso ou o fracasso da obtenção dos direitos — esses três pontos constituem a estrutura deste artigo.

Este blog aborda continuamente as tendências em propriedade intelectual relacionadas à IA. Para saber como interpretar disputas de patentes em andamento, consulte o artigo explicativo sobre o processo de patente Kioxia x Viasat; quanto à prática de formação de famílias de patentes, consulte também o artigo explicativo sobre a estratégia de pedidos de divisão.

[Isenção de Responsabilidade] Este artigo é uma explicação geral baseada em informações públicas disponíveis em 18 de julho de 2026 (Google Patents, J-PlatPat, WIPO PATENTSCOPE, documentos divulgados pelo Instituto de Patentes do Japão, comunicados de imprensa de diversas empresas, etc.) e não constitui aconselhamento jurídico.Todas as patentes mencionadas no artigo tiveram seus dados bibliográficos verificados nas páginas das bases de dados públicas, mas isso não indica uma interpretação do escopo dos direitos nem uma avaliação de sua validade, nem implica a existência de qualquer relação comercial entre as empresas mencionadas e nosso escritório.As reivindicações da Patente nº 7403032 referem-se à versão divulgada internacionalmente, podendo o texto diferir devido a correções feitas no momento do registro. Os valores estatísticos dependem do momento da compilação e das definições da fonte. (Supervisão de um advogado especializado em patentes)