---
title: 材料信息学（MI）×AI专利的前沿动态｜专利代理人解读14项经国内外验证的专利及审查实务
description: 通过原始资料验证基于AI的材料探索（材料信息学）相关专利。专利代理人将针对Resonac、横滨橡胶、富士通、PFN的8项日本专利，DeepMind、三星、IBM、Citrine的6项海外专利，以及日本专利局AI审查案例51、52所揭示的“仅凭AI预测无法获得物质专利”这一审查实务，乃至与商业秘密的区分使用等内容进行详细解读。
---

[EVORIX 知识产权博客](https://www.evorix.jp/zh/blog)

# [材料信息学（MI）×AI专利的前沿动态｜专利代理人解读14项经国内外验证的专利及审查实务](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi)

 Written by 弁理士 杉浦健文 | 2026/07/18

## 导语：人工智能已开始改变“材料发现”——那么专利方面又是如何的呢

材料信息学（Materials Informatics，以下简称“MI”）是一种利用以机器学习为首的数据科学方法来加速新材料探索与设计的方法。2023年11月，Google DeepMind宣布利用深度学习工具“GNoME”发现了220万种新的晶体结构（发表于《自然》杂志），2025年1月，微软生成式AI“MatterGen”的相关论文也发表在《自然》杂志上，近年来，基于AI的材料探索正受到广泛关注。在日本，Preferred Networks（PFN）与ENEOS的合资公司自2021年7月起通过云端提供通用原子级模拟器“Matlantis”，截至2024年8月，已有90多家企业和机构采用该系统。

本文在通过一手资料（Google Patents、J-PlatPat、WIPO PATENTSCOPE）确认该领域专利真实性后，将围绕以下内容展开：①专利申请趋势统计、②日本企业获授权的8项专利、③海外企业获授权的6项专利、④“仅由AI预测的材料”能否获得专利这一审查实务的核心问题（日本专利厅的AI审查案例51、52等），⑤专利与商业秘密的区分运用——将从专利代理人的视角进行解读。

目录

1. [何为MI——AI改变材料开发的3大事件及其政策与市场背景](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi?hs_amp=true#a1)
2. [从数据看MI专利的申请动向（日本专利局调查·G16C分类）](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi?hs_amp=true#a2)
3. [日本企业的MI×AI专利——经核实的8项（Resonac、横滨橡胶、富士通、PFN）](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi?hs_amp=true#a3)
4. [海外企业的MI×AI专利——经核实的6件（DeepMind、三星、IBM、Citrine）](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi?hs_amp=true#a4)
5. [审查实务的核心——“仅由AI预测出的材料”能否获得专利？（审查案例52等）](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi?hs_amp=true#a5)
6. [专利化还是商业秘密——学习数据与描述符的保护方法及AI发明人问题](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi?hs_amp=true#a6)
7. [总结——MI时代的申请战略检查清单](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi?hs_amp=true#a7)

## 1. 何为MI——AI改变材料开发的三大事件及其政策与市场背景

传统的材料开发主要依赖于研究人员基于经验和直觉提出的假设，以及通过实验反复试错的过程，因此新材料的实用化往往需要漫长的时间。MI旨在通过机器学习，从积累的实验和计算数据中提取材料结构与特性的相关性，并预测“接下来应测试哪个候选方案”，从而大幅缩短这一试错过程。由综合创新战略推进会议制定的《材料革新力强化战略》（令和3年4月27日通过，令和7年6月4日修订）也将构建数据驱动型研发基础列为国家的基本方针。

作为技术层面的转折点，可列举以下三件大事。

| 时间 | 事件 |
| --- | --- |
| 2021年7月6日 | PFN与ENEOS的合资公司（PFCC）开始提供通用原子级模拟器“Matlantis”。该模拟器通过深度学习，宣称其运算速度比第一性原理计算（DFT）快数万倍。2024年9月，该公司宣布该模拟器已支持96种元素，并被90多家企业及团体采用 |
| 2023年11月29日 | Google DeepMind宣布通过“GNoME”发现了220万种新晶体结构（其中约38万种被认为是最稳定的结构）（发表于《自然》杂志）。据外部研究显示，其中已有736种通过独立实验成功合成 |
| 2025年1月16日 | 微软的“MatterGen”论文发表于《自然》杂志。该研究利用扩散模型根据所需特性直接生成无机材料，并验证了所生成材料TaCr₂O₆的实验合成（体弹性模量：设计值为200GPa，实测值为169GPa） |

关于市场规模，各调研机构之间的定义差异较大：Grand View Research预计2023年约为1.35亿美元（年均增长率16.5%），360iResearch则预计2025年将达到约7.2亿美元（年均增长率18.34%），虽然预测数据存在差异，但各方均一致认为该市场将保持高增长率。

## 2. 从数据看MI专利的申请趋势（日本特许厅调查·G16C分类）

日本专利局在令和元年度的专利申请技术动向调查中重点探讨了MI（于令和2年2月公布）。根据该调查，2010年至2017年（以主张优先权年份为基准）的MI相关专利家族，日、美、欧、中、韩、印合计达493件。按申请人国籍划分，中国以332件（67.3%）遥遥领先，其次是韩国55件（11.2%）、日本37件（7.5%）、美国35件（7.1%）。专利申请量自2015年左右开始增长（2015年48件→2017年116件），这一趋势与深度学习热潮同步。在日本申请者中，太平洋水泥（10件）位列前茅。

**注：**该统计数据是2020年对2010年至2017年期间的申请进行汇总得出的，最新情况已发生进一步变化。作为参考，根据日本专利局的《AI相关发明申请状况调查》（2025年10月版）显示，2023年日本收到的AI相关发明申请量增至约11,400件；而中国收到的AI核心发明（被授予G06N分类）申请量在2023年已超过10万件，达到美国的5倍以上。

在专利分类方面，随着2019年1月国际专利分类（IPC）的修订，“G16C（计算化学、化学信息学、计算材料科学）”被新设，其中包含机器学习与化学计量学（G16C 20/70）、化合物物性预测（G16C 20/30）、分子设计（G16C 20/50）、计算材料科学（G16C 60/00）等分类组得以完善。在实务中，MI相关发明通常通过G16C（用途方面）与代表机器学习本身的G06N（AI方法方面）的组合进行检索和分类，因此在进行现有技术调查和自由实施（FTO）调查时，掌握这两大体系也是起点。

## 3. 日本企业的MI×AI专利——经核实的8项（Resonac、横滨橡胶、富士通、PFN）

接下来，我们将介绍本所通过Google Patents、J-PlatPat及WIPO PATENTSCOPE的实际页面确认了文献信息及注册状况的8项日本企业注册专利（截至2026年7月18日的调查结果，并非完整列表）。

| 专利号 | 专利权人 | 技术要点 |
| --- | --- | --- |
| [专利第6950119号](https://patents.google.com/patent/JP6950119B2/ja) | 昭和电工（现为Resonac） | 由数据科学家构建模型、供大量非专业人员使用的“分工型”材料设计系统（同时支持正向问题和逆向问题） |
| [专利第7190615号](https://patents.google.com/patent/JP7190615B1/ja) | 昭和电工（现为Resonac） | 在解释变量中加入材料特性的评估温度和保持时间，从而预测温度依赖性材料特性的方法（如铝合金的抗拉强度等） |
| [专利第7109339号](https://patents.google.com/patent/JP7109339B2/ja) | 昭和电工 | 通过高斯过程回归计算物性预测值及其不确定度，进而推荐应验证的聚合物结构（贝叶斯优化型搜索） |
| [专利第7218519号](https://patents.google.com/patent/JP7218519B2/ja) | 横滨橡胶 | 利用机器学习根据硫化橡胶的配方和加工条件预测物理性能。其特点在于通过回归分析对少量样本项目进行插值的前处理 |
| [专利第7215017号](https://patents.google.com/patent/JP7215017B2/ja) | 横滨橡胶 | 利用已训练模型和进化算法，反向探索可实现目标物性的橡胶配方（受原材料数量限制） |
| [专利第7302297号](https://patents.google.com/patent/JP7302297B2/ja) | 富士通 | 通过“最大独立集搜索”计算分子结构的相似度，从而预测相对介电常数等参数 |
| [专利第7388217号](https://patents.google.com/patent/JP7388217B2/ja) | 富士通 | 将晶体结构图示化，将相似性分析用伊辛模型进行形式化，并通过退火机求解（量子启发式计算×MI） |
| [专利第7403032号](https://patents.google.com/patent/JP7403032B2/ja) | Preferred Networks | 在神经网络势能（NNP）训练中，将第一性原理计算的条件差异作为“标签信息”加以吸收的通用化技术 |

### 解读权利要求①：Resonac的“分工型MI系统”（专利第6950119号）

关于MI专利的权利要求应如何撰写，此处以专利第6950119号的第1项权利要求为例进行说明。

“一种用于设计包含由多种组成或多种制造条件组合而成的材料在内的设计对象材料的材料设计系统，该系统包括：可利用用于进行基于输入输出（即前述设计目标材料的设计条件与材料特性值之间的对应关系）的模型机器学习的模型学习接口的专家终端；以及针对特定的前述设计目标材料，利用由所述专家终端创建的、针对该特定设计目标材料的已训练模型，通过所述材料设计接口，从所述设计条件推断所述材料特性值，或从所述材料特性值推断所述设计条件，且可使用该接口的多个通用终端，所构成的材料设计系统。”

来源：[Google Patents（JP6950119B2）权利要求1](https://patents.google.com/patent/JP6950119B2/ja)

值得注意的是，该权利要求并非针对机器学习算法本身，而是将发明定义为“模型构建方（专家终端）”与“模型使用方（多个通用终端）”这一**系统构成（运行机制）**。即使预测模型本身难以实现差异化，但通过将其转化为在材料开发现场运行MI的机制来获得专利权——这可以说是MI专利的一种典型方法。

### 解读权利要求②：PFN的通用NNP训练技术（专利第7403032号）

被定位为Matlantis基础技术的PFN专利第7403032号（2023年12月21日注册）涉及NNP（神经网络势能）的训练方法。由于第一性原理计算的结果会因软件或计算参数的不同而产生细微差异，若简单混合在不同条件下生成的训练数据，精度将会下降——针对这一问题，该专利提出将计算条件作为“标签信息”输入模型，从而实现混合不同条件的数据进行训练。（基于国际公开WO2022/260178的权利要求1的摘要。注册时的权利要求措辞可能因审查过程中的修正而有所不同）。这是一项旨在支持可同时泛化至晶体（周期边界条件）和分子（自由边界条件）的“通用”原子模拟的技术，其将**AI模型的训练方法本身进行专利化**，体现了与材料制造商不同的、具有AI企业特色的专利策略。

此外，横滨橡胶的2项专利分别通过独立专利覆盖了“正向问题（配方→物性预测）”和“逆向问题（目标物性→配方探索）”；而富士通的2项专利则将“相似结构搜索”这一经典的组合优化问题与机器学习及退火计算相结合。各公司根据自身业务结构，在专利保护层面（数据预处理／模型训练／探索算法／运营系统）存在差异，这一点在实务上颇具启发性。

## 4. 海外企业的MI×AI专利——经核实的6项（DeepMind、三星、IBM、Citrine）

放眼海外，AI企业、电子制造商及MI专业供应商正各自从不同立场推进专利申请。以下同样是在实际页面上已确认的注册专利。

| 专利号 | 专利权人 | 技术要点 |
| --- | --- | --- |
| [US 12,190,236](https://patents.google.com/patent/US12190236B2/en) | DeepMind Technologies | 利用已知材料的结构嵌入（embedding）来预测新材料的特性（2025年1月注册） |
| [US 11,537,898](https://patents.google.com/patent/US11537898B2/en) | 三星电子 | 利用生成对抗网络（GAN）学习结构与特性的联合分布，并根据目标特性直接生成材料结构的逆向设计（欧洲对应专利EP3800586B1亦已注册） |
| [US 12,135,927](https://patents.google.com/patent/US12135927B2/en) | IBM | 通过学习专家对AI生成的材料候选方案的采纳与否判断，并将结果反映在候选方案排名中的“专家参与循环”型探索方法 |
| [US 11,901,045](https://patents.google.com/patent/US11901045B2/en) | IBM | 从化学数据库中学习特征，通过组合现有材料的特征来生成新候选材料的框架 |
| [US 11,004,037](https://patents.google.com/patent/US11004037B1/en) | Citrine Informatics | 利用机器学习生成展示“可实现的特性组合及其难度”的能力图谱，将产品设计与材料开发相连接 |
| [US 10,984,145](https://patents.google.com/patent/US10984145B1/en) | Citrine Informatics | 根据满足目标特性与约束条件的可能性，对包含新原料的配方候选方案进行排序的配方设计辅助工具 |

DeepMind的US 12,190,236（优先权日2020年4月24日，2025年1月7日注册）的权利要求1开头如下：

“一种用于预测材料一项或多项性质的计算机实现方法，该方法包括：维护指定一组已知材料的数据，每种材料均具有相应的已知物理结构……”

（一种通过维护指定具有已知物理结构的已知材料集合的数据，来预测材料一项或多项特性的计算机实现方法——以下内容涉及利用已知材料特征识别与嵌入技术进行特性预测的构成）来源：[Google Patents（US12190236B2）](https://patents.google.com/patent/US12190236B2/en)

该专利的发明人包括Tian Xie、James Kirkpatrick等人。这些名字与GNoME论文和MatterGen论文的作者重合，由此可见，在这些备受瞩目的研究成果背后，其基础技术的专利申请工作一直在稳步推进。另一方面，在本次调查（截至2026年7月的公开信息）中，未能确认与微软“MatterGen”本身相对应的专利申请。请注意，专利申请原则上在申请后18个月内不会公开，因此“未找到申请＝未提交申请”这一推论并不成立。

**实务要点：**如同三星的逆向设计专利一样，基于GAN和生成模型的材料生成基本架构，早在2020年前后提交的专利申请中就已经获得了专利权。对于利用生成式AI自主开发或引进材料探索系统的企业而言，有必要从确认探索方法本身是否存在第三方专利（FTO）的角度进行审查。

## 5. 审查实务的核心——“仅由AI预测出的材料”能否获得专利

将材料探索（MI）成果专利化的最大障碍，既不是进步性，也不是发明性，而是**说明要求（可实施性要求、支持性要求）**。日本专利局在《关于AI相关技术的专利审查案例》（平成29年3月、平成31年1月、令和6年3月分三次公布，共计25个案例。刊载于《专利·实用新型审查手册》附录）中明确了这一点。该案例集提出了以下规范：

“对于被推定为通过AI具备某种功能的物品的发明，如果发明说明书中未记载实际制造该物品并对其功能进行评估的实施例，则除非AI的推定结果能够替代对实际制造物品的评估，否则该发明不符合可实施性要件及支持性要件。（案例51、案例52）”  
——摘自《专利·实用新型审查手册》附录“关于AI相关技术的专利审查案例”开篇总结

### 案例52（荧光发光性化合物）——针对MI实务的直截了当的回答

令和6年3月新增的案例52，正是以MI的逆向设计（根据发光特性预测化学结构）为主题。该案例通过AI获取化合物**A**和B，**其中A已实际合成并实测了物理性质，而B仅为预测**结果，其结论十分明确。①仅限于已实测的化合物A的权利要求满足记载要件；②仅基于预测的化合物B的权利要求，以及仅以特性值规定的概括性权利要求，违反了可实施性要件和支持要件；③**即使在申请后提交实验成绩证明书，也无法补救记载不足的问题**。也就是说，根据当前的审查实务，在“AI生成的有前景候选名单”阶段无法获得物质专利，只能在已完成实证的范围内获得专利权（例外情况是，当AI的预测精度本身已在说明书中得到验证时，预测可替代实测结果）。

### 案例50・案例34——“选择了哪些描述符”是关键

关于预测方法的权利要求，案例50（过敏发病率预测）具有参考价值。未明确输入数据（描述符）的宽泛预测方法权利要求，除非数据间的相关性可从技术常识中推断出来，否则将违反支持要件；**而限定为已验证描述符组合的权利要求**则被认定为**合法**。此外，关于创造性，案例33和34表明表明，若仅是“将人的业务单纯通过AI系统化”或“仅将回归模型替换为神经网络”，则不被认定具有进步性；而案例34则表明，**当加入技术常识中未涉及相关性的输入数据并因此获得显著效果时，可被认定具有进步性**。从审查案例中可以得出的实务指导原则是：MI发明的可专利性，与其说是取决于算法的新颖性，不如说是取决于“基于材料领域知识对特征量和描述符的非显而易见的选择”。

**实务要点：**在通过数值限定或参数进行权利要求时，需结合知识产权高等法院大合议判决（平成17年11月11日·偏光膜案）中关于支持要件的规定，在说明书中配置能够代表权利要求范围的实施例。“AI预测→对少数有前景的候选物进行实际合成与实测→在已验证范围内申请物质及组合物专利→经补充验证后提交改良申请”——这种申请时机的设计，将成为MI时代说明书实务的基本模式。

## 6. 申请专利还是作为商业秘密——学习数据与特征量的保护方式及AI发明人问题

### 训练数据与特征量是“高度适合保密”的资产

据称，MI的竞争力来源与其说是模型本身，不如说是多年的实验数据库以及据此设计的描述符（特征量）。虽然这些资产无法通过产品进行逆向工程，因此适合保密；但另一方面，若申请专利，原则上将在18个月后公开；此外，方法权利要求在权利行使方面也存在难以检测其他公司服务器内实施情况的弱点（本段内容是对实务的一般性总结）。在制度层面，经济产业省于令和7年3月31日修订的《商业秘密管理指南》中明确指出，**即使是公知信息的组合，只要作为AI训练数据获取时耗费了相当的时间和费用，即可被认定为具有非公开性**，从而为将MI的实验数据集作为商业秘密加以保护指明了路径。若选择保密保护，则在实务中通常需配合采取相关措施，例如通过时间戳等方式确保先使用权（《专利法》第79条）的证据，以应对其他公司的后续申请。

### 不得声称“由AI发明”——DABUS案的结论

关于将AI列为发明人的专利申请（DABUS案），日本东京地方法院令和6年5月16日的判决以及知识产权高等法院令和7年1月30日的判决均认定，专利法上的发明人仅限于自然人（知识产权高等法院还提及了立法论的必要性）。美国（Thaler v. Vidal案）、英国最高法院及欧洲专利局也持相同观点。在机器智能（MI）语境下的实务结论很简单，即应将**那些在课题设定**、**描述符设计、候选方案筛选及验证实验中进行创造性参与的自然人确定并记载为发明人**。日本专利局也以材料探索为例，从制度论的角度探讨了“人类参与度降低的发明”的保护方式（产业结构审议会专利制度小组委员会·令和7年3月资料）。

## 7. 总结——MI时代的专利申请战略检查清单

①自2015年以来，MI相关专利数量持续增加，在日本，Resonac、横滨橡胶、富士通、PFN等企业在探索方法、运营系统、训练技术等各个层面均已获得注册专利。②在海外，DeepMind、三星、IBM、Citrine等企业已就基础架构获得了专利权，基于生成模型的逆向设计领域也已存在注册专利。③根据日本的审查实务，“仅由AI预测出的材料”无法获得物质专利（案例51、52），实证实验与申请时机的设计将决定专利授权的成败——以上三点构成本文的主线。

MI×AI发明申请前检查清单

- 物质·组合物权利要求范围内是否包含已实际合成或测量的实施例（案例51、52）
- 预测方法权利要求的描述符和输入数据是否限定为已验证的组合（案例50）
- 作为进步性主张核心的“非显而易见的特征量选择”及其效果是否在说明书中有所记载（案例34）
- 当将AI预测作为实测的替代方案时，说明书中是否记载了预测精度的验证过程
- 是否已就学习数据和描述子中，在说明书中公开的范围与保密范围的界定进行了考量（包括商业秘密及先使用权的应对措施）
- 是否已确定应作为发明人记载的自然人（即参与课题设定、描述符设计、筛选及验证的人员）
- 在现有技术调查及FTO调查中，是否横跨了G16C×G06N的分类

关于AI相关的知识产权动向，本博客也将持续进行报道。关于如何解读正在审理中的专利纠纷，[请参阅](https://www.evorix.jp/blog/kioxia-viasat-patent-lawsuit-benrishi)《[Kioxia诉Viasat专利诉讼》的解析文章](https://www.evorix.jp/blog/kioxia-viasat-patent-lawsuit-benrishi)；关于专利家族构建的实务操作，请一并参阅[《分案申请策略》的解析文章](https://www.evorix.jp/blog/game-patent-divisional-application-strategy)。

对于正在考虑如何区分处理MI/AI相关发明的专利申请（包括说明书中的实施例设计及描述符公开范围的审查）、现有技术调查、FTO调查以及商业秘密管理的企业，欢迎通过[知识产权事务所Evolix的咨询表单](https://www.evorix.jp/inquiry)随时与我们联系。

【免责声明】本文基于截至2026年7月18日的公开信息（Google Patents、J-PlatPat、WIPO PATENTSCOPE、日本专利局公布资料、各公司新闻稿等）进行的一般性解说，不构成法律建议。文中提及的专利均已在公开数据库的实际页面上核实了书目信息，但这并不代表对权利范围的解释或有效性的评估，也不表示刊载企业与本所之间存在业务关系。第7403032号专利的权利要求引用的是国际公开时的内容，因注册时的修正，其措辞可能有所不同。统计数据取决于来源的统计时间点及定义。（专利代理人监修）

[View full post](https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "弁理士 杉浦健文"
  },
  "dateModified" : "2026-08-13T07:49:06.914Z",
  "datePublished" : "2026-07-18T10:47:19Z",
  "headline" : "材料信息学（MI）×AI专利的前沿动态｜专利代理人解读14项经国内外验证的专利及审查实务",
  "image" : {
    "@type" : "ImageObject",
    "height" : 768,
    "url" : "https://www.evorix.jp/hubfs/blog-thumbnails/face-materials-informatics-ai-patent-benrishi.png",
    "width" : 1376
  },
  "mainEntityOfPage" : "https://www.evorix.jp/zh/blog/materials-informatics-ai-patent-benrishi",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60.0,
      "url" : "https://20920988.fs1.hubspotusercontent-na1.net/hubfs/20920988/cropped-EVORIX%E3%83%AD%E3%82%B4-e1547405364171-768x181.png",
      "width" : 254.58563
    },
    "name" : "evorix blog"
  }
}
```