EPOにおけるコンピュータ実施 発明の特許取得：パート2
Patenting Computer Implemented Inventions at the EPO: Part Two
10月に開催された当事務所のウェビナ ーの内容を振り返る今回のニューズレ ターのパート2では、十分な開示要件が AI発明にどのように適用されるかにつ いて、出願に含める必要のある様々な 種類のデータも交えながら考察してい きます。
In this second of our newsletters that reflects on the content of our October webinar, we examine how the requirement of sufficiency is applied to AI inventions, including the various types of data that may need to be included in the application.
今後のニューズレターでは、審決G1/19 とそこから学ぶことのできる教訓につ いて、さらにEPOがこの審決を現在の 出願にどのように適用しているかにつ いて、振り返っていく予定です。
In a future newsletter, we will reflect on G 1/19 and the lessons that can be learned from that decision, as well as how the EPO is applying that decision to current applications.
十分な開示
Sufficiency
EPC第83条に基づき、「欧州特許出願 は、当業者が実施できる程度に十分に 明確かつ完全に発明を開示する」こと が義務づけられています。それゆえ EPO審査官は、当業者が発明を再現で きるほど十分な情報が特許出願に提示 されているかどうかについて、検討し なければなりません。さらに出願は、 当業者の負担が不当ではなく、当該発 明を実施するために発明的な技能を必 要としない程度に十分な情報を提供し なければなりません。 AI発明の場合、EPO審査官は次のよう な質問を提起してくるでしょう。 • その技術的効果は、一見したところ クレーム範囲全体にわたり達成され るか？ • 機械学習プロセスの入力と出力との 明確な因果関係が存在するか？ • 常習済みモデルは信頼できる予測を もたらすか？
Article 83 of the EPC requires that “[t] he European Patent Application shall disclose the invention in a manner sufficiently clear and complete for it to be carried out by a person skilled in the art”. EPO Examiners must therefore consider whether there is enough information in a patent application to allow the skilled person to reproduce the invention, and the application must provide sufficient information that the burden on the skilled person is not undue and that no inventive skill is required to work the invention. For AI inventions, the EPO Examiner may ask: • Is the technical effect plausibly achieved over the whole of the claimed scope? • Is there a clear causal link between the input and output of a machine learning process? • Will the trained model produce reliable predictions?
1
www.hlk-ip.jp
再現性の欠如は、開示の十分性または 進歩性に関する拒絶につながる可能性 があります。望ましい技術的効果がク レームに明示されていても、出願に再 現性がなければ、EPC第83条に基づく 十分な開示の欠如による拒絶が出され るでしょう。技術的効果が再現不能で あり、クレームに明示されていないに もかかわらず、解決すべき客観的な技 術的課題の一部である場合には、EPC 第56条に基づく進歩性の欠如による拒 絶が出されるでしょう。
A lack of reproducibility can lead to sufficiency or inventive step objections. If the desired technical effect is expressed in the claim but the application lacks reproducibility, an objection of lack of sufficient disclosure under Article 83 EPC may be raised. If the technical effect is not reproducible and is not expressed in the claim but is instead part of the objective technical problem to be solved, an objection of lack of inventive step under Article 56 EPC may be raised.
化学分野からの教訓
Lessons From the Field of Chemistry
AIに関する出願に対して、EPC第83条 に基づく拒絶が提起される可能性があ ります。なぜならAI発明がどのように 機能するか、またはなぜ機能するかが 直ちに明確であるとは限らないからで す。 例えば、考え抜かれた学習データセッ トと報酬関数によって、驚くほど有用 な機械がもたらされても、なぜその特 定の機械の基礎となる数字がこれほど までの成功を収めるのか、発明者でさ え理解できないことがあります。 化学分野で働いている弁理士たちは長 い間、なぜ組成物Aは組成物Bより優れ た特性を有するのか、またはなぜ反応 変数Yを変更すると特定の反応生成物X の収量が増えるのかについて、発明者 が理由を知らないという問題に対処し てきました。にもかかわらず、その発 明が効果をもたらすことを多くの実験 で証明できるのです。化学者にとって 新規の組成物自体を生成することは比 較的容易にできるのですが、望ましい 新規の結果または改善された結果をも たらす新規の組成物を生成することは 遥かに困難なのです。基本的に、新規 の化学反応の結果を予測することはで きません。
2
Objections under Article 83 EPC may be raised against applications concerning AI because it is not always immediately clear how or why an AI invention works. For example, a well thought-out training dataset and reward function may lead you to a machine of remarkable utility without the inventor ever truly understanding why the numbers underlying that particular machine are so successful. Attorneys working in chemistry have long dealt with the problem of an inventor not knowing why composition A has better properties than composition B, or why yield of a particular reaction product X increases when you change reaction variable Y, etc. – nevertheless lots of experiments may show that such an invention works. Although it may be relatively easy for a chemist to make a new composition as such, it is much more difficult to make new compositions that have a desired new or improved result. Essentially, the outcome of a new chemical reaction is unpredictable. These experiences in chemistry have parallels in the field of AI. For example, consider an image-classification AI machine learning method. The machine’s focus is getting to the right answer as
www.hlk-ip.jp
化学分野におけるこのような経験 は、AIの分野と類似するところがあり ます。一例として、画像分類AI機械学 習方法を考えてみましょう。機械が焦 点を当てているのは、課題自体を理解 することではなく、正解を得ることで す。つまり、ニューラルネットワーク の特定の段階において、なぜそのよう な強力な重み付けが特定のピクセルの 組合せに付随して存在するのかは、明 確とは限らないということです。しか し、機械をテストし、その結果を独自 に調べることにより、発明者はそのAI 機械が優れていると確信できます。そ れはまさしく医薬品の効能の基礎とな る正確なメカニズムは分からなくて も、結果的に生存者を増やした医薬品 が優れた薬であるのと同じことです。 したがって当事務所は現在、既に化学 出願において一般的であるように、AI 関連の出願において実験データと比 較試験を用いることを推奨していま す。EPO審査ガイドラインと判例法に 従い、特許出願自体に実験データと比 較試験の双方を含める方がいいでしょ う。後から提出された証拠は、原出願 に含まれていなくても考慮される可能 性はありますが、一定の条件下に限ら れています。後から提出された証拠 は、出願が解決すべき課題を解決する ことを証明するための単独の根拠とし ての役割は果たせません。かかる証拠 を使用できるのは、出願に基づき実際 に課題が解決されると既に信頼できる 場合に、特許出願に関する認定を裏付 けるためだけです。
データ 化学分野において、これらの要件は、 実験データを確実に特許出願に含める 実務へと結びつきました。実験データ には、発明が実施される方法を証明す るものや、達成される結果を証明する ものを含めることができ、さらにその 結果が技術上の改良であることを証明 する比較データを含めることもできま す。化学の世界における明細書作成の このような標準的実務は、AI分野に対 しても有効であると思われます。
3
opposed to understanding the problem itself. This means that it may not be apparent why there is such a strong weighting associated with a particular combination of pixels in a particular stage of a neural network. But by testing the machine, and checking the results independently, the inventor can be sure that their AI machine is a good one, in just the same way that a drug which results in increased survival is a good drug, even if the precise mechanism underlying its efficacy is not known. Therefore, we now recommend using experimental data and comparative tests in applications relating to AI, as is already common in chemistry applications. According to EPO examination guidelines and case law, it is better to include both experimental data and comparative tests in the patent application itself. Later-filed evidence can be taken into consideration, even if it was not included in the original application, but only under certain conditions. Laterfiled evidence may not serve as the sole basis to establish that the application solves the problem it sets out to solve; it can only be used to back up findings in the patent application, if it is already credible from the application that the problem is indeed solved.
Data In the field of chemistry, these requirements have led to the practice of ensuring experimental data is included in patent applications. This may include experimental data to demonstrate how the invention is carried out and to demonstrate the result, which is achieved, and it may also include comparative data to demonstrate that the result in an improvement in the art. This standard practice in the world of chemical drafting is likely to be useful to the AI field. Consider, for example, that in order for a particular patent application directed to a new chemical composition to www.hlk-ip.jp
例えば、新規の化学組成物に係る特定 の特許出願が十分な開示要件を満たす には、当業者がその組成物を生成でき るほど十分な情報を特許出願に提示し なければならないことを考えてみまし ょう。多くの場合、特定の生成物を生 成する少なくとも1つの方法の十分な 実験詳細として、出発物質、装置およ び反応条件などを含める必要がありま す。AI発明の場合、これに匹敵するの が、データセットに含まれたデータの 基礎となる原理、およびそのAIモデル に組み込まれたあらゆる推定またはパ ラメータについて記載することです。 別のシナリオとして、特定の結果がク レーム範囲を限定している化学出願に ついて考えてみましょう。例えば、特 定の結果をもたらす方法に係るクレー ムや、特定の目的に適した組成物の使 用に係るクレームが挙げられます。こ のような場合、当該方法や使用がどの ように実施されるかの説明に加えて、 十分な開示要件を満たすには通常、ク レームされた結果が実際に当該発明に より得られることを証明するデータを 提出する必要があります。AI発明の場 合、これに匹敵する例として、画像の 中の異なる種類の動物をより的確に識 別するように設計された機械が考えら れます。このような結果が実際に達成 される場合には、その証拠を出願に提 示すべきです。 実質的にクレームされた範囲全体にわ たり発明を実施できるというのが、十 分な開示要件であり、化学分野におい ては、新規の化学組成物がなぜ既知の 組成物よりも良好に作用するかを明確 に知ることなしに、クレームにおける 新規組成物の広範な定義を正当化する ことは困難でしょう。しかしながら出 願人は、同様の改良を示すと予想され る類似の組成物を包含する特許保護を 取得したいと望むかもしれません。実 際問題として、広い範囲の化学クレー ムが作成された場合、審査官は、1つの 特定の組成物に関して証明された技術 的効果が、クレームの範囲に含まれる 全ての実施形態に関して得られるとい うのは、妥当性がないとして拒絶する ことができます。状況によっては、既 4
meet the requirement of sufficiency, the patent application must provide enough information for the skilled person to be able to produce the composition. It is often necessary to include full experimental details of at least one way of producing a particular product, for example, including starting materials, apparatus and reaction conditions. For AI inventions, this is comparable to describing the principles underlying the data included in the dataset, and any assumptions or parameters built into the AI model. Consider another scenario which concerns a chemical application where a particular result is limiting on the scope of the claims. For example, the claims may be directed to a method that provides a particular result, or to use of a composition for a particular purpose. In such cases, in addition to explaining how the method or use is carried out, it is generally necessary to provide data to prove that the claimed result is actually obtained by the invention in order to satisfy sufficiency requirements. For AI inventions, a comparable example would be a machine designed to better distinguish between different types of animal in an image. If this result is indeed achieved, then the application should provide evidence of this. A requirement of sufficiency is that the invention can be performed across substantially the whole of the area claimed and, in chemistry, without clearly knowing why a new chemical composition works better than already known compositions, it can be difficult to justify a broad definition of the new composition in the claims. Nevertheless, the applicant may want to obtain patent protection covering similar compositions that are expected to show similar improvements. In practice, when chemical claims are drafted broadly, Examiners can object that it is not plausible that a technical effect that has been demonstrated for one particular composition would be obtained for all embodiments falling within the scope of the claims. In some www.hlk-ip.jp
知の科学原理に基づいて、異なる実 施形態の妥当性を主張できる場合も あります。しかし、クレーム範囲全 体にわたる複数の実施形態に関する 追加の実験データがあれば、審査官 が抱くあらゆる懸念を払拭するのに 役に立つでしょう。 これらの考察をAI発明にも当てはめ ることができます。例えば、画像の 中の異なる種類の動物を識別する分 類器は、ネコとイヌの写真を含む学 習データセット、および一連の推定 を実施する特定のモデルを使用する ことができます。この例において、 当該モデルは効果的であるだけでな く、処理資源として迅速かつ軽量で す。出願人は、任意の2種類の対象物 を2つのグループに分類するための 分類器それ自体として、このモデル をクレームしたいと望むでしょう。 しかし審査官は、ネコとイヌだけに 関するデータに基づくそのような広 い発明は妥当ではないと考えるかも しれません。例えば、ネコとイヌの 画像には、ボルトとネジ、オイルス
5
circumstances, plausibility of different embodiments can be argued based on known scientific principles. However, additional experimental data relating to a number of embodiments across the scope of the claims can be helpful to overcome any concerns the Examiner may have. We can also apply these considerations to AI inventions. For example, a classifier which distinguishes between different types of animal in an image may use a training dataset including pictures of cats and dogs, and a particular model embodying a set of assumptions. In this example, the model is not just effective, but also fast and lightweight in terms of processing resources. The applicant would like to claim the model as a classifier per se, for categorising any two objects into two groups. However, an Examiner may not consider such a broad invention to be plausible based on data relating only to cats and dogs. For example, it is possible that there is something special about cat and dog images which isn’t www.hlk-ip.jp
リックとレインボーなど、他の画像 セットには当てはまらない特別なも のが存在する可能性があります。し たがって、出願に様々なデータセッ トの例を含めることは、このような 事例で妥当性を示すのに役に立ちま す。 ここに例示する出願は現在EPOにお いて手続中のものであり、物理的サ ンプルの画像上で欠陥を識別するた めの、生産ラインにおける物理的サ ンプルの画像処理に関連しており、 そのクレームは、生成ニューラルネ ットワークの教師なし学習の実施に ついて明示的に定義しています。
true of other sets of images, such as of bolts and screws or oil slicks and rainbows. Therefore, including diverse examples of datasets in the application may help to show plausibility in such an example. As an example, an application undergoing prosecution at the EPO relates to processing images of physical samples on a production line to identify defects on the imaged physical samples, and the claims explicitly define executing unsupervised training of a generator neural network:
Unsupervised training 教師なし学習 S100 Acquire images 画像を取得 S102
Generate reconstructed version of images 再構成画像を生成 S104
Compare reconstructed images and acquired images 再構成画像と取得した画像 とを比較 S106
Identify defects 欠陥を識別
6
S108 www.hlk-ip.jp
その出願時の明細書には、先行技術AI 方法よりも迅速に損失を低減する発明 の能力を証明する、比較試験データが 含まれていました。この文脈において 損失を低減した方法は、生成ニューラ ルネットワークの常習でとりわけ効果 的に入力画像から欠陥を排除する方法 に言及しています。このことは以下の グラフに示されています。
Comparative test data was included in the specification as filed, demonstrating the ability of the invention to decrease losses faster than prior art AI methods. Reduced losses in this context refers to a method that is particularly effective at training the generator neural network to remove defects from input images. This is shown in the graph below:
10⁵
Case (i) 事例 (i) Case (ii) 事例 (ii)
Loss 損失
10⁴
0
20
40
60
80
100
Epoch 時期
この出願はすぐに特許付与されること が確実視されています。
The application looks set to grant shortly.
AIと化学を組み合わせた出願
Applications Combining AI and Chemistry
AIは現在、化学分野でますます多くの 出願において見られるようになってい ます。一例として、以下の図は、世界 中でCPC分類C01‐C14（従来の化学に関 連するもの） およびC21‐C30（冶金に 関連するもの）に提出された特許出願 のうち、明細書に「人工知能」または 「機械学習」という用語が含まれてい る出願の増加を示しています。
7
AI is now also finding more and more applications in Chemistry itself. For example, the below figure shows the growth in the number of patent applications filed worldwide in the CPC classifications C01-C14 (which relate to traditional Chemistry) and C21-C30 (which relate to Metallurgy) and which also include the words “artificial intelligence” or “machine learning” in the description.
www.hlk-ip.jp
4500
450 C01-C14
400
C21-C30
3500
350
3000
300
2500
250
2000
200
1500
150
1000
100
500
50
0
No. applications C21-C30 出願件数 C21-C30
No. applications C01-C14 出願件数 C01-C14
4000
0 2011
2012
2013
2014
2015
2016
2017
2018
2019
Filing year 出願年
これらの出願の多くにおいて、望まし い特性を有する既存または新規の化学 物質、組成物または材料を識別するた めに、AI方法が用いられています。例 えば、あるAI機械は、1つの特定の疾患 の治療用として知られている既存の薬 剤のうち、無関係な疾患の治療に適し た薬剤を識別することができます。他 にもAIは、改良された機械的または電 気的特性を有する新規材料の設計に使 用することもできます。このような場 合、その特許出願において発明のAIと 化学双方の側面を十分に記載するよう 注意しなければなりません。 上記に論じた潜在的問題も示している 例として当事務所が取り上げた1つの出 願は、航空機部品の材料を設計するAI 方法に関するものです。ニューラルネ ットワークは、合金の構造的特徴を降 伏強度などの材料特性と相関させるた めに、様々な組成と特性を有する合金 構造の画像の学習データセットを用い て訓練されます。
8
In many of these applications, AI methods are used to identify existing or new chemicals, compositions or materials which have desirable properties. For example, an AI machine may identify existing drugs, known for treating one particular disease, as being suitable for use in the treatment of an unrelated disease. Alternatively, AI may be used to design new materials which have improved mechanical or electrical properties. In such cases, care must be taken to ensure that the patent application sufficiently describes both the AI and the chemical aspects of the invention. As an example that also illustrates the potential issues discussed above, one application we have identified concerns an AI method for designing a material for an aircraft component. A neural network is trained to correlate structural features of alloys with material properties, such as yield www.hlk-ip.jp
クレームされた方法は、特定の出願に適 した望ましい特性の組合せを達成できる 一連の構造的特徴を識別するために、そ のニューラルネットワークを使用してい ます。この出願は、識別された構造と上 記のような望ましい特性を有する合金の 製造工程もクレームしようとしていま す。 この特許出願は欧州において、EPC第83 条に基づく開示の十分性に関する拒絶を 受けました。第一に、審査官は、合金特 性と構造的特徴を結びつける一般的な理 論モデルは合金系全般について知られて おらず、この出願の実施例で提示された 特定の種類のチタン合金についても知ら れていないとして拒絶しました。さらに 審査官は、記載されたAIモデルが望まし い特性を有する合金の最適化された微細 構造を予測できることについても、疑義 を呈しました。代わりに審査官は、当該 AIはこれまで知られていなかった合金構 造の画像を分析し、その特性を予測する ために使用できるのであって、これは根 本的に異なるタスクであると考えていま す。したがって審査官は、当業者が所定 の一連の特性に適した構造的特徴を判断 するには、膨大な実験が必要になるとい う理由で拒絶しました。第二に、EPO審 査官は、この出願において、当該AIによ り識別された特定の構造を有する合金の 製造方法が説明されていないとして拒絶 しました。審査官は、特定の合金の製造 方法を開発するには膨大な実験が必要で あることを指摘すると共に、当業者はま ず、当該AIにより出力された構造が化学 的または物理的に実現可能かどうかにつ いても検討する必要もあるだろうと指摘 しています。
strength, using a training data set of images of alloy structures having varied compositions and properties. The claimed method uses the neural network to identify a set of structural features capable of achieving a desired combination of properties for a particular application. The application also attempts to claim a step of manufacturing an alloy having the identified structure and, thus, the desired properties. The patent application has received sufficiency objections in Europe under Article 83 EPC. First, the Examiner has objected that generic theoretical models linking alloy properties to structural features are not known for alloy systems in general, nor are they known for the specific type of titanium-based alloy provided in the Examples of the application. The Examiner has also doubted that the AI model described can predict optimized microstructures for an alloy having desired properties. Instead, the Examiner thinks that the AI could be used to analyse an image of a previously unknown alloy structure and predict its properties, which is a fundamentally different task. The Examiner has therefore objected that excessive experimentation would still be required for the skilled person to determine suitable structural features for a given set of properties. Second, the EPO Examiner has objected that the application does not explain how to manufacture an alloy having a particular structure identified by the AI. The Examiner notes that developing a manufacturing method for a particular alloy requires extensive experimentation and that the skilled person would also need to first consider whether any structure output by the AI was even chemically or physically feasible. This case also highlights the difficulties which can be encountered when
9
www.hlk-ip.jp
この事例は、AIと化学が重複する出願 の手続において遭遇する可能性のある 困難な状況も物語っています。このよ うな出願の明細書を作成する際は、AI と化学双方の弁理士から情報提供を受 けること、さらに出願のAIと化学双方 の側面を裏付けるために、実験データ を用いることが推奨されます。
prosecuting applications at the overlap between AI and Chemistry. We recommend that such applications are drafted with input from both AI and Chemistry attorneys, and that experimental data is used to support both AI and chemical aspects of the application.
要約
Summary
当事務所は開示の十分性に関する拒絶 のリスクを減らすため、出願人にとっ て入手可能な場合には、全ての関連 データ（実験データと比較データを含 む）、とりわけ発明者が知っている先 行技術から発明を区別できるデータを 出願に含めることを推奨しています。
To decrease the chances of a sufficiency objection, we recommend that all relevant data (including experimental and comparative data) is included in the application where this is available to the applicant, particularly data that distinguishes the invention from the prior art known to the inventor.
連絡先
10
Contact us
マイケル・フォード シニアアソシエイト mford@hlk-ip.com
Michael Ford
フランシス・ワイルディング パートナー fwilding@hlk-ip.com
Frances Wilding
スチュアート・クラークソン シニアアソシエイト sclarkson@hlk-ip.com
Stuart Clarkson
Senior Associate mford@hlk-ip.com Partner fwilding@hlk-ip.com Senior Associate sclarkson@hlk-ip.com
www.hlk-ip.jp