2022-701032

特許第７０５６５９２号発明「金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置」の特許異議申立事件について、次のとおり決定する。

結 論 特許第７０５６５９２号の特許請求の範囲を、訂正請求書に添付された訂正特許請求の範囲のとおり、訂正後の請求項〔１～６〕、７について訂正することを認める。 特許第７０５６５９２号の請求項１～７に係る特許を維持する。

理 由 第１ 手続の経緯 特許第７０５６５９２号（以下「本件特許」という。）の請求項１～７に係る特許についての出願（特願２０１９－６２２１）は、平成３１年１月１７日に出願したものであって、令和４年４月１１日にその特許権の設定登録がされ、令和４年４月１９日に特許掲載公報が発行された。 そして、本件特許異議の申立ての経緯は、概略次のとおりである。 令和４年１０月１９日 ： 特許異議申立人小菅公義（以下「申立人」という。）による全請求項（請求項１～７）に係る特許に対する特許異議の申立て 令和４年１２月１４日付け ： 取消理由通知 令和５年 ２月 ９日 ： 特許権者による訂正請求書及び意見書の提出 令和５年 ３月２９日 ： 申立人による意見書の提出 令和５年 ７月１１日付け ： 取消理由通知（決定の予告）（以下「決定の予告」という。） 令和５年 ９月 ５日 ： 特許権者による訂正請求書及び意見書の提出 令和５年１１月 ６日 ： 申立人による意見書（以下「申立人意見書」という。）の提出 令和６年 １月３０日付け ： 審尋 令和６年 ２月２６日 ： 特許権者による回答書（以下「回答書」という。）の提出 なお、令和５年２月９日にされた訂正請求は、特許法第１２０条の５第７項の規定により取り下げられたものとみなす。 第２ 訂正の適否 １ 訂正の内容 特許権者は、令和５年９月５日提出の訂正請求書により、本件特許の特許請求の範囲の請求項１～７を、以下のとおりに訂正（以下「本件訂正」という。）することを請求する。 （１）訂正事項 ア 訂正事項１ 特許請求の範囲の請求項１に、 「金属材料の製造中の所定工程後に確定した少なくとも１つ以上の実績データを製造仕様の一部として取得するステップと、 前記１つ以上の実績データと、前記１つ以上の実績データを含む前記製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化するステップ」 と記載されているのを、本件訂正により、 「金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データを製造仕様の一部として取得するステップと、 前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけ、少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデルとに基づき逆解析を行い、１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化するステップ」（下線部は訂正箇所について特許権者が付した。訂正事項２～４についても同様。）と訂正する。 （請求項１の記載を直接的又は間接的に引用する請求項２～６も同様に訂正する。） イ 訂正事項２ 特許請求の範囲の請求項２に、 「前記所定工程は、二次精錬工程であり、前記１つ以上の実績データは成分組成調整後の実績データを含む」 と記載されているのを、本件訂正により、 「前記所定工程は、二次精錬工程であり、前記実績データは成分組成調整後の実績データを含む」と訂正する。 （請求項２の記載を直接的又は間接的に引用する請求項３～６も同様に訂正する。） ウ 訂正事項３ 特許請求の範囲の請求項５に、 「前記予測モデルは、前記製造仕様と前記材料特性の実績データとに基づき学習された深層学習モデル、または統計学習モデルを含む機械学習モデルである」 と記載されているのを、本件訂正により、 「前記ニューラルネットワークモデルは、前記製造仕様と前記材料特性の実績データとに基づき学習された深層学習モデルである」と訂正する。 （請求項５の記載を直接的又は間接的に引用する請求項６も同様に訂正する。） エ 訂正事項４ 特許請求の範囲の請求項７に、 「金属材料の製造中の所定工程後に確定した少なくとも１つ以上の実績データを製造仕様の一部として取得する通信部と、 前記１つ以上の実績データと、前記１つ以上の実績データを含む前記製造仕様および材料特性を結びつけた予測モデルに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化する探索処理部」 と記載されているのを、本件訂正により、 「金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データを製造仕様の一部として取得する通信部と、 前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけ、少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデルとに基づき逆解析を行い、１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化する探索処理部」と訂正する。 （２）一群の請求項 本件訂正前の請求項１～６は、その請求項２～６が、本件訂正前の請求項１の記載を引用し、訂正事項１によって記載が訂正される請求項１に連動して訂正される関係にあるから、本件訂正の訂正事項１～３は、一群の請求項〔１～６〕について請求されている。 ２ 訂正の目的の適否、新規事項の有無、及び特許請求の範囲の拡張・変更の存否 請求項〔１～６〕、７についての訂正（訂正事項１～訂正事項４）について、訂正の目的の適否、新規事項の有無、及び特許請求の範囲の拡張・変更の存否を、以下に検討する。 （１）訂正事項１ ア 訂正の目的について 訂正事項１の目的について検討する。 （ア）本件訂正前の請求項１の「金属材料の製造中の所定工程後に確定した少なくとも１つ以上の実績データ」及び「前記１つ以上の実績データ」を、本件訂正により「金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データ」（下線部は当審で付した。以下同様。）及び「前記実績データ」とする点は、実績データが「精錬工程及び鋳造工程での製造条件」を含むことを限定するものである。 （イ）また、本件訂正前の請求項１の「予測モデル」を、本件訂正により「少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデル」とする点は、「予測モデル」が「ニューラルネットワークモデル」であることを特定し、さらにニューラルネットワークの構成を限定するものである。 （ウ）そして、本件訂正前の請求項１の「材料特性の推定値が所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し」を、本件訂正により「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し」とする点は、材料特性の推定値が１つのニューラルネットワークモデルから出力される互いに相反する複数の材料特性の推定値であること、及びそのそれぞれが所望の値に漸近するように演算が行われることを限定するものである。 （エ）上記（ア）～（ウ）のとおり、訂正事項１は、本件訂正前の請求項１の発明特定事項を限定するものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる特許請求の範囲の減縮を目的とするものである。 イ 実質上特許請求の範囲を拡張し、又は変更する訂正ではないこと 訂正事項１は、本件訂正前の請求項１の発明特定事項を減縮するものであり、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し、又は変更するものには該当せず、特許法第１２０条の５第９項で準用する特許法第１２６条第６項に適合するものである。 ウ 願書に添付した明細書、特許請求の範囲又は図面（以下「本件明細書等」という。）に記載した事項の範囲内の訂正であること （ア）本件訂正前の実績データが「金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データ」であることは、本件明細書等の段落【００１８】、【００７７】、図７に記載されている。 （イ）また、本件訂正前の「予測モデル」を、「少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデル」とすることは、本件明細書等の段落【００３２】、【００７３】等に記載されている。 （ウ）続いて、本件訂正前の「材料特性の推定値が所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し」との記載を、「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し」とすることが新規事項の追加に該当するか検討する。 ａ 本件明細書等の段落【００７５】には、「本実施例では既に成分組成およびスラブサイズが確定された出鋼スラブに対して、ニューラルネットワークモデルによる材料特性の推定が行われ、推定される材料特性が目標の材料特性に漸近するように、続く加熱炉以降のプロセスについて必要な制御量を演算した。具体的には降伏応力および全厚伸びのそれぞれについて推定値と目標値の差を求め、両者の差の合計が最小値となるように逐次最小二乗法を用いて演算した。収束までの繰り返し回数は５００回とした。・・・」と記載されている。そして、ここでのニューラルネットワークモデルは、段落【００７２】記載のとおり、事前学習として製造仕様実績と材料特性実績とを結びつける学習を実施したものであって、学習に供された材料特性実績に関し、段落【００７３】には「・・・材料特性実績として、冷却後厚鋼板の幅中央部から板幅方向が引張方向と一致するように採取したＪＩＳＺ ２２０１ １Ｂ号の全厚試験片を用いて引張試験を実施し、降伏応力（ＹＳ）および全厚伸びを求め、学習に供された。学習データ数は欠損データ等のノイズを除去した計４７０のサンプルを用いた。・・・」と記載されており、１つのニューラルネットワークモデルの学習用データとして、降伏応力及び全厚伸びの２つの材料特性実績が用いられているから、上記段落【００７５】の材料特性の推定（降伏応力の推定及び全厚伸びの推定）は、このニューラルネットワーク１つのみで行われていることが認められる。 ｂ これらの記載から、本件明細書等には、１つのニューラルネットワークモデルが降伏応力及び全厚伸びを含んで学習されること、及び当該１つのニューラルネットワークモデルが降伏応力及び全厚伸びの材料特性の推定値を出力し、そのそれぞれの推定値と目標値の差を求めて両者の差の合計が最小値となるように逐次最小二乗法を用いて演算することが記載されているといえる。 そして、降伏応力及び全厚伸びのそれぞれについて、推定値と目標値の差を求めて両者の差の合計が最小値となるように逐次最小二乗法を用いて演算する際に、それらの合計が最小値となるためには、降伏応力及び全厚伸びの推定値のそれぞれが所望の値（推定値と目標値の差の合計が最小値になるための値）に漸近する必要があることは明らかである。さらに、金属材料の強度を示す「降伏応力」と金属材料の衝撃エネルギー吸収能（延性）を示す「全厚伸び」とは互いにトレードオフの関係、すなわち、互いに相反する材料特性であるといえることは技術常識（必要ならば、回答書１～２ページの「（２－２）１（１）イについて」、及び下記第５のＡ［取消理由１（明確性）について］の３（１）イの説示等を参照。）であるから、本件訂正後の「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算」することは、本件明細書等に実質的に記載されていたといえる。 （エ）上記（ア）～（ウ）のとおりであるから、訂正事項１は、本件明細書等に記載した事項の範囲内の訂正であり、特許法第１２０条の５第９項で準用する特許法第１２６条第５項に適合するものである。 （２）訂正事項２ ア 訂正の目的について 本件訂正前の「前記１つ以上の実績データ」を、本件訂正により「前記実績データ」とする訂正は、訂正事項１により、請求項１の「実績データ」が「複数の実績データ」に限定されたことに伴い、実績データが「１つ」の場合を除くものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる特許請求の範囲の減縮を目的とするものである。 イ 実質上特許請求の範囲を拡張し又は変更する訂正ではないこと、及び本件明細書等に記載した事項の範囲内の訂正であること 訂正事項２は、本件訂正前の請求項２の発明特定事項を減縮するものであり、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し、又は変更するものには該当せず、特許法第１２０条の５第９項で準用する特許法第１２６条第６項に適合するものである。 また、訂正事項１と同様の理由により、訂正事項２は、本件明細書等に記載した事項の範囲内の訂正であり、特許法第１２０条の５第９項で準用する特許法第１２６条第５項に適合するものである。 （３）訂正事項３ ア 訂正の目的について 訂正前の「前記予測モデルは、前記製造仕様と前記材料特性の実績データとに基づき学習された深層学習モデル、または統計学習モデルを含む機械学習モデルである」を、「前記ニューラルネットワークモデルは、前記製造仕様と前記材料特性の実績データとに基づき学習された深層学習モデルである」とする訂正は、訂正事項１と同様に、予測モデルがニューラルネットワークモデルであることを限定するものであり、さらに、訂正前の予測モデルの選択的事項である「統計学習モデルを含む機械学習モデル」であることを削除し、「前記製造仕様と前記材料特性の実績データとに基づき学習された深層学習モデル」であることに限定するものであるから、特許法第１２０条の５第２項ただし書第１号に掲げる特許請求の範囲の減縮を目的とするものである。 イ 実質上特許請求の範囲を拡張し又は変更する訂正ではないこと、及び本件明細書等に記載した事項の範囲内の訂正であること 訂正事項３は、本件訂正前の請求項５の発明特定事項を減縮するものであり、カテゴリーや対象、目的を変更するものではないから、実質上特許請求の範囲を拡張し、又は変更するものには該当せず、特許法第１２０条の５第９項で準用する特許法第１２６条第６項に適合するものである。 また、訂正事項１と同様の理由により、予測モデルがニューラルネットワークモデルであることは本件明細書等に記載した事項の範囲内の訂正であるから、特許法第１２０条の５第９項で準用する特許法第１２６条第５項に適合するものである。 （４）訂正事項４ 訂正事項４は、本件訂正前の請求項７に対して、実質的に訂正事項１と同様の訂正をするものであるから、訂正事項４は、訂正事項１（上記（１））と同様に、特許法第１２０条の５第２項ただし書第１号に規定する特許請求の範囲の減縮を目的とし、同条第９項で準用する第１２６条第５項及び第６項に適合するものである。 ３ 独立特許要件 本件においては、本件訂正前の全請求項（請求項１～７）について特許異議の申立てがされているので、訂正事項１～訂正事項４に関して、特許法第１２０条の５第９項で読み替えて準用する特許法第１２６条第７項の独立特許要件は課されない。 ４ 小括 上記のとおり、本件訂正前の請求項〔１～６〕、７についての訂正事項１ないし訂正事項４に係る訂正は、特許法第１２０条の５第２項ただし書第１号に掲げる特許請求の範囲の減縮を目的とするものであり、かつ、同条第９項で準用する第１２６条第５項及び第６項の規定に適合する。 したがって、本件特許の特許請求の範囲を、訂正請求書に添付された訂正特許請求の範囲のとおり、本件訂正後の請求項〔１～６〕、７について訂正することを認める。 第３ 本件発明 上記第２のとおり、本件訂正は認められるから、本件特許請求の範囲は以下のとおりである。（以下、請求項１～７に係る発明を、それぞれ「本件発明１」などという。また、合わせて、「本件発明」という場合がある。） 「【請求項１】 金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データを製造仕様の一部として取得するステップと、 前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけ、少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデルとに基づき逆解析を行い、１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化するステップと を含む前記金属材料の製造仕様決定方法。 【請求項２】 前記所定工程は、二次精錬工程であり、前記実績データは成分組成調整後の実績データを含む、請求項１に記載の製造仕様決定方法。 【請求項３】 前記金属材料は厚鋼板である、請求項１または２に記載の製造仕様決定方法。 【請求項４】 前記材料特性は一様伸びを含む、請求項１乃至３のいずれか一項に記載の製造仕様決定方法。 【請求項５】 前記ニューラルネットワークモデルは、前記製造仕様と前記材料特性の実績データとに基づき学習された深層学習モデルである、請求項１乃至４のいずれか一項に記載の製造仕様決定方法。 【請求項６】 請求項１乃至５のいずれか一項に記載の製造仕様決定方法を用いて決定された製造仕様で金属材料を製造する製造方法。 【請求項７】 金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データを製造仕様の一部として取得する通信部と、 前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけ、少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデルとに基づき逆解析を行い、１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化する探索処理部と を有する製造仕様決定装置。」 第４ 決定の予告において通知した取消理由について １ 取消理由の概要 令和５年２月９日提出の訂正請求により訂正された請求項１～７（以下、この訂正請求により訂正された請求項１～７を、それぞれ「先の訂正に係る請求項１」などという。）に係る特許に対して、当審が決定の予告において通知した取消理由１、２の要旨は、次のとおりである。 取消理由１：（明確性）本件特許は、明細書又は特許請求の範囲の記載が不備のため、特許法第３６条第６項第２号に規定する要件を満たしていない特許出願に対してされたものである。 取消理由２：（進歩性）先の訂正に係る請求項１～７に係る発明は、本件特許出願前に日本国内又は外国において、頒布された刊行物又は電気通信回線を通じて公衆に利用可能となった発明（甲１発明又は甲２発明）に基づいて、本件特許出願前にその発明の属する技術の分野における通常の知識を有する者（当業者）が容易に発明をすることができたものであるから、先の訂正に係る請求項１～７に係る特許は、特許法第２９条第２項の規定に違反してされたものである。 ２ 証拠 （１）決定の予告で引用した文献 甲第１号証：特開２００３－２６８４２８号公報 甲第２号証：茂森弘靖、「局所回帰モデルを用いた鉄鋼製品の品質設計と品質制御」、京都大学、２０１３年３月２５日、ｐ．１－４３，６５－７９ 甲第４号証：特開平８－２４０５８７号公報 甲第５号証：再公表特許第９８／００６５５０号 （なお、以下では、甲号証について、それぞれ「甲１」などという。また、甲４は、先の訂正に係る請求項４～６について通知した文献である。） （２）申立人が証拠として提示したその他の文献 甲３：「ＪＦＥスチールのＴＭＣＰ技術の進歩とそれによる高性能厚板」、ＪＦＥ技報、２０１４年２月、第３３号、ｐ．１～６ 甲６：特開２０１８－１６９９９３号公報 甲７：特開２０１８－１３８３２７号公報 第５ 決定の予告で通知した取消理由についての当審の判断 Ａ ［取消理由１（明確性）について］ １ 取消理由１の概要及び判断 （１）概要 先の訂正に係る請求項１等には「予測モデル」が記載されていないから、先の訂正に係る請求項５の「前記予測モデル」が何を指すのか不明である。 また、先の訂正に係る請求項１の「ニューラルネットワークモデル」と、先の訂正に係る請求項５の「前記製造仕様と前記材料特性の実績データとに基づき学習された深層学習モデル、または統計学習モデルを含む機械学習モデル」の関連が不明である。 （２）判断 請求項５は、本件訂正により、「前記ニューラルネットワークモデルは、前記製造仕様と前記材料特性の実績データとに基づき学習された深層学習モデルである」と訂正された。 これにより、請求項１の「ニューラルネットワークモデル」と請求項５の「前記ニューラルネットワークモデル」及び「深層学習モデル」の関係が明確となったから、当該取消理由１は解消した。 ２ 取消理由１についてのむすび したがって、本件発明１～７は明確であり、取消理由１（明確性）によって請求項１～７に係る特許を取り消すことはできない。 ３ 記載不備（サポート要件、明確性）についての申立人の主張 申立人は、申立人意見書において、請求項１及び請求項７について、記載不備（サポート要件、明確性）がある旨を主張しているから以下に検討する。 （１）サポート要件について ア 主張の概要 請求項１及び請求項７の「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように」の記載について、特許権者が主張する明細書の段落【００２７】～【００３９】、【００７３】、【００７５】、【００７７】、及び図４、８には、「互いに相反する」の記載はなく、互いに相反する材料特性として、「降伏応力及び全厚伸び」以外のありとあらゆるものを含むようには記載されておらず、当業者であっても、請求項に係る発明の範囲まで、発明の詳細な説明に開示された内容を拡張ないし一般化することはできない（申立人意見書４ページ）。 イ 判断 本件発明の解決しようとする課題に関連して、本件発明の詳細な説明の段落【０００２】に「このような鋼材においては、強度および靭性などの機械的性質および溶接性に優れていることに加えて、外力に対して構造物の構造安全性を担保するために衝撃エネルギー吸収能に優れることが要求される場合がある。」、段落【０００３】に「船体用の鋼板自体にエネルギー吸収能を持たせて、船舶の衝突時に船体の破壊を防止することが望まれている。」との記載があり、実験結果について、段落【００７７】に「図８に逆解析によって得られた最適化された製造仕様にて実際に製造を行った際の降伏応力（ＹＳ）と一様伸び（ＥＬ）との関係を示す。本実施例の方法を用いると、比較例よりも、降伏応力を維持しつつ、高い一様伸びの厚鋼板を得ることができた。」との記載があるから、本件明細書等には、本件発明が、金属材料の強度と衝撃エネルギー吸収能の両立を目的とするものであることが示唆されているといえる。 さらに、金属材料の強度と衝撃エネルギー吸収能に関連する材料特性として、段落【００１８】に「また例えば、材料特性は、金属材料の一様伸びを含んでもよい。一様伸びを含めることにより、外力に対して構造物の構造安全性を担保するための衝撃エネルギー吸収能の要求を満足させる場合等に製造仕様決定装置１０を利用可能である。また例えば材料特性は、所望の厚鋼板規格を満たすように降伏応力、引張応力、靱性値、表面硬度、断面硬度の群より選択される少なくとも１種を含んでもよい。」と記載され、段落【００７３】及び【００７５】には「全厚伸び」について記載されている。すなわち、本件発明の詳細な説明には、強度を示す材料特性として、降伏応力、引張応力、表面硬度及び断面硬度などが記載され、衝撃エネルギー吸収能を示す材料特性として、一様伸び及び全厚伸びが記載されている。そして、これらの材料特性は、「降伏応力及び全厚伸び」に限られず、例えば「引張応力及び一様伸び」のようなその他の互いに相反する材料特性も含み得ることは明らかであるから、請求項１及び請求項７の「互いに相反する複数の前記金属材料の材料特性」にまで拡張ないし一般化できるものと認められる。 したがって、請求項１及び請求項７の「互いに相反する複数の前記金属材料の材料特性」は、本件発明の詳細な説明に記載されているといえる。 したがって、上記アについての申立人の主張は採用できない。 （２）明確性について ア 主張の概要 （ア）請求項１及び請求項７の「前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データを製造仕様の一部として取得する」との記載について、「精錬工程・・・での製造条件」及び「鋳造工程での製造条件」のいずれか一方のみが「実績データ」に含まれることを排除していない（申立人意見書４～５ページ）。 （イ）請求項１及び請求項７の「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように」との記載について、「複数の前記金属材料の材料特性」がどのような観点で「互いに相反する」のか理解できない。また、「複数の前記金属材料の材料特性」には３つ以上の金属材料の材料特性が含まれるが、３つ以上の金属材料の材料特性について「互いに相反する」とは、３つ以上の金属材料の材料特性の全てが負の相関を持つものを指すのか否か理解できない（申立人意見書５～６ページ）。 イ 判断 （ア）本件明細書等の段落【００７７】及び図７に示されている実施形態、及び特許権者の回答書４ページにおける回答に鑑みれば、請求項１及び請求項７の「前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データ」は、精錬工程での製造条件と、鋳造工程での製造条件の両方を含む実績データを意味するものと認められる。 したがって、上記ア（ア）についての申立人の主張は採用できない。 （イ）上記（１）イで説示したとおり、本件明細書等には、本件発明が金属材料の強度と衝撃エネルギー吸収能の両立を目的とするものであることが示唆されているところ、金属材料の強度と、衝撃エネルギー吸収能（延性）とが互いにトレードオフの関係にあることは技術常識（必要ならば、特許権者の回答書の１～２ページ等を参照。）であり、請求項１及び請求項７においては、互いにトレードオフの関係にある材料特性を「互いに相反する複数の前記金属材料の材料特性」と記載したと理解できるから、請求項１及び請求項７の「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように」との記載が不明確であるとはいえない。また、「互いに相反する複数の前記金属材料の材料特性」が、金属材料の３つ以上の材料特性を含むものであるとしても、そのような３つ以上の材料特性のうち、強度を示す特性と衝撃エネルギー吸収能を示す特性が互いにトレードオフの関係にあることを意味していると理解できるものである。 したがって、上記ア（イ）についての申立人の主張は採用できない。 Ｂ ［取消理由２（進歩性）について］ １ 甲１について （１）甲１の記載及び甲１から理解できる事項 ア 甲１の記載 甲１には、以下の記載がある。なお、下線は当審で付したものである（以下同様）。 「【０００１】 【発明の属する技術分野】本発明は、製品品質制御装置に係り、特に、鋳造された鋼材を、加熱、圧延、冷却、熱処理などして製品の材質を作り込む際に用いるのに好適な、上工程の製造実績（成分や操業条件）から要求仕様（機械試験特性値範囲）を満足する下工程の製造条件（成分や操業条件）の指示値を決定することが可能な、製品品質制御装置に関する。 ・・・ 【０００３】製造の途中において、それまでの工程（上工程）で製造実績が品質設計で決定した指示値と異なった場合、それ以降の工程（下工程）で品質設計で決定したとおりに製造すると、要求仕様を満足する品質が得られない。そのため、製造の途中で、上工程の製造実績を元に、要求仕様を満足するように下工程の製造条件指示値を変えている。 ・・・ 【００１６】製造実績収集装置２２は、図２に示す如く、過去に製造した製品１４毎に、素材（鋳片）１０の成分の指示値と実績値、および、加熱、圧延、冷却、熱処理などの製造プロセス１２における操業条件の指示値と実績値、を収集し、製品品質制御装置２０へ供給する。また、材料試験実績収集装置２４は、同じく、過去に製造された製品１４毎に、製品の材料試験で得られる機械試験特性値実績（強度、靭性等。以下材質実績値と称する）を収集し、製品品質制御装置２０へ供給する。 【００１７】製品品質制御装置２０は、図３に示す如く、下工程の製造条件作成手段２０２、材質推定手段２０４、及び、製造情報記憶手段２０６を備えており、上工程の製造実績の誤差及び材質モデルの誤差を加味して、要求仕様をする下工程の製造条件（成分および操業条件）の指示値を出力するものである。 ・・・ 【００１９】材質推定手段２０４は、製造情報記憶手段２０６に蓄積された製造条件の実績値及び材質実績値をもとに、ある製造条件（素材の成分指示値及び操業条件の指示値）で製造した場合の製品材質を推定するとともに、その推定誤差も併せて求める。 【００２０】また、製造条件作成手段２０２は、要求仕様及び上工程の製造実績を取得し、下工程の素材成分及び操業条件の指示値を変化させて、材質推定手段２０４に材質推定を行うように指示するとともに、その指示値に対する材質予測値及びその誤差範囲を求め、材質推定手段が求めた材質推定値および推定誤差を用いて、要求仕様の範囲内にある下工程の製造条件指示値を検索して出力するものである。 ・・・ 【００２６】以上の構成からなる鋼材の製品品質制御装置２０を用いて、下工程における操業条件を求める手順を、図６を参照して説明する。 ・・・ 【００２８】次にステップＳ２で、初期入力された製品Ｐｊに関する指示値をもとに、製造条件作成手段２０２は、材質推定手段２０４に製品材質の推定を行うよう指令を出し、材質推定手段２０４は、図７に示すサブルーチンに従って材質の推定を行う。 ・・・ 【００３４】次いでステップＳ２４に進み、入力値の近傍にある取得された事例のデータか材質に関連するデータ（図４の材質１～材質Ｍの実績値）を用いて、その入力値に対する材質推定値（出力値）とその推定誤差を計算する。 【００３５】これには、様々な方法があるが、例えば上記のようにして取得された材質に関連する実績データの平均値［材質１１～［材質Ｍ］を次式で算出し、これらを材質推定値として出力し、同じくそれらの標準偏差を計算し、推定誤差として出力することができる。・・・。 【００３６】 ［材質１］＝Σ材質１ｉ／Ｎ ［材質２］＝Σ材質２ｉ／Ｎ ・・・・・・・・・・・ ［材質Ｍ］＝Σ材質Ｍｉ／Ｎ ・・・（２） ここで、ｉ＝１～Ｎ 【００３７】出力値（材質推定値）としては、例えば、引張強度、降伏点、伸び、シャルピー吸収エネルギーなどの材質を表わす出力変数を用いることができる。 【００３８】上述のステップＳ２３、Ｓ２４の処理は、いずれも材質推定計算手段２０４Ｂが行い、その結果は製造条件作成手段２０２に出力される。 【００３９】次に図６のステップＳ３に進み、材質推定手段２０４が求めた材質推定値及び推定誤差を用いて、製造条件作成手段２０２は、下記式に基づく判定、即ち、推定誤差を考慮した材質推定値が要求仕様の許容範囲内かどうかを判定する。 【００４０】要求仕様の下限値≦材質推定値士推定誤差≦要求仕様の上限値・・・（３） 【００４１】（３）式を満足した場合には、ステップＳ４に進んで、上記判定に使用した下工程の製造条件指示値を図示しない記憶手段に記憶し、ステップＳ５に進む。一方、ステップＳ３で（３）式を満足しなかった場合には、ステップＳ５に飛ぶ。 【００４２】ステップＳ５では、取り得る下工程製造条件指示値の全てについて、材質推定を行ったか否かを判定し、判定結果が否である場合にはステップＳ６に進み、下記（４）式、（５）式に従って下工程製造条件指示値を変更し、ステップＳ２に戻る。 ・・・ 【００４５】一方、ステップＳ５において、取り得る下工程製造条件指示値の全てについて、材質推定を行ったと判定された場合にはステップＳ７に進み、それら各製品の下工程製造条件指示値を出力して終了する。」 （【００３５】の「［材質１１」という記載は、「［材質１］」の誤記と認め、【００４０】の「材質推定値士推定誤差」という記載は、「材質推定値±推定誤差」の誤記と認める。） 「【図３】 ［図：0001413280000001.jpg］ 」 「【図６】 ［図：0001413280000002.jpg］ 」 イ 段落【００３４】、【００３５】等から、材質推定手段２０４が、材質１～材質Ｍの複数を、材質推定値として推定していることが理解できる。そして、複数の材質推定値（材質１～材質Ｍ）を算出する計算式が、予測モデルであるといえるから、甲１の材質推定手段２０４は、入力値（【００２０】、【００３４】の上工程の複数の製造実績を含む製造条件）と複数の材質を結びつけた予測モデルを備えることは明らかである。 ウ 製品品質制御装置２０は、上工程の製造実績の誤差及び材質モデルの誤差を加味して、要求仕様を満足する下工程の製造条件の指示値を出力するもの（段落【００１７】）であって、その下工程の製造条件作成手段２０２は、要求仕様及び上工程の製造実績を取得し、材質推定手段２０４が求めた材質推定値及び推定誤差を用いて下工程の製造条件指示値を検索して出力するものであり、図６のフローチャートにおいて、Ｓ２～Ｓ５のループを繰り返して、要求仕様を満足する下工程の製造条件指示値を検索しているから、上工程の製造実績を含む製造条件と、予測モデルとに基づき逆解析を行い、複数の材質推定値（材質１～材質Ｍ）がそれぞれの所望の値に漸近するように（要求仕様を満足するように）、製造プロセス全体のうち前記所定工程後のプロセスの制御量（下工程の製造条件指示値）をフィードフォワード演算して（Ｓ２～Ｓ５のループを繰り返す）、下工程の製造条件を製造中に最適化していることが理解できる。 エ 甲１の段落【００１７】には「製品品質制御装置２０は・・・要求仕様をする下工程の製造条件（成分および操業条件）の指示値を出力するものである。」、段落【００２０】には「要求仕様の範囲内にある下工程の製造条件指示値を検索して出力するものである。」及び段落【００４５】には「各製品の下工程製造条件指示値を出力」すると記載されており、製品品質制御装置２０が出力する当該下工程製造条件指示値は、各製造プロセス（段落【０００１】の「鋳造された鋼材を、加熱、圧延、冷却、熱処理などして製品の材質を作り込む」を参照。）の制御量の指示値として鋼材の製造プロセスに伝送されることは明らかである。 （２）甲１発明 上記（１）の甲１の記載及び甲１から理解できる事項からみて、甲１には以下の発明（以下「甲１発明」という。）が記載されていると認められる。 ＜甲１発明＞ 「鋼材の製造途中の上工程の複数の製造実績を製造条件の一部として取得するステップと、 前記上工程の製造実績と、前記上工程の製造実績を含む製造条件および複数の材質を結びつけた予測モデルとに基づき逆解析を行い、予測モデルによる複数の材質推定値がそれぞれの所望の値に漸近するように、下工程の製造条件指示値をフィードフォワード演算し、前記下工程の製造条件指示値を前記鋼材の製造プロセスに伝送することで、下工程の製造条件を製造中に最適化しているステップと を含む前記鋼材の製品品質制御方法。」 ２ 甲２について （１）甲２の記載及び甲２から理解できる事項 甲２には、以下の記載がある。なお、甲２における句読点の表記（カンマやピリオド）は当審で修正した。 ア 「計算機技術の発展により、多くの製造業の現場において、品質管理や操業改善のために、大量の製造実績がデータベースに蓄積されるようになってきた。そのデータを有効活用して、より精密なモデルを構築する技術として、Ｊｕｓｔ－Ｉｎ－Ｔｉｍｅモデリングと呼ばれる手法に近年関心が集まっている。Ｊｕｓｔ－Ｉｎ－Ｔｉｍｅモデリングは、モデルパラメータの値をあらかじめ定めず、過去の大量の入出カデータを蓄積し、予測の必要が生じる毎に、要求点に近い過去のデータを重視して局所的な予測モデルを構築する方法である。」（１ページ「１．１」１～５行） イ 「１．２．１ 鉄鋼製品の品質設計と品質制御の特徴 鉄鋼製品の製造プロセス ・・・ 鉄鋼製品の製造プロセスの一例として、図１．２に厚鋼板の製造プロセスを示す。 製鋼工程で化学成分を調整され、鋳造されたスラブは、加熱工程において所定の温度に加熱され、圧延工程においてリバース圧延により所定の寸法および形状に加工される。そして、冷却工程において所定の温度に冷却されることにより、鋼材の組織および材質が作りこまれる。製品の種類によっては、さらに熱処理工程において鋼材の組織および材質が調整されるものもある。 鉄鋼製品の品質設計 鉄鋼製品の品質指標としては、強度・伸び・靭性などの材質、厚み・幅・長さの寸法、形状、および、微量に含まれる鉄以外の化学成分の量などがある。 品質設計とは、顧客要求の製品仕様を満足する製造条件を決定する意思決定プロセスである。製品仕様には、製品のサイズ、強度（引張強度、降伏点、伸び）、靭性（吸収エネルギー、遷移温度）、 および、化学成分の含有量などがある。製造条件には、製鋼工程で調整される化学成分、加熱工程、圧延工程、冷却工程のそれぞれの温度などがある。品質設計はこれまで知識と経験が豊富な設計者により行われてきた。設計者は顧客要求の品質を満足するだけでなく、製造コストを最小化するための製造条件を決定する必要があり、一種の最適化問題を解いている。この最適化を行うために、 製造条件から品質を精度よく予測するモデルが必要となる。 鉄鋼製品の品質制御 品質設計の段階において、対象プロセスに関する知識が豊富な熟練者により、顧客の要求品質を満足するように各製造条件の基準値が製造前に決定されている。製造段階において、製造条件が基準値どおりに運転されるように各製造設備でレギュレーション制御が行われるが、外乱により実績値が基準値から乖離するため、その結果として製品の品質に目標値からのずれ、すなわち、品質制御誤差が生じる。品質制御誤差を低減するためにすでに処理が終了した工程の製造条件実績値をもとに、まだ処理が開始していない工程の適切な製造条件を導出し、そのように操作することで、品質を目標値に近づけるフィードフォワード制御が行われてきた。これを品質制御と呼んでいる。このフィードフォワード制御を行うために、製造条件から品質を精度よく予測するモデルが必要となる。」（２ページ「１．２」１行～３ページ１８行） ウ 「４．２．１ 対象プロセス 本章においては、図１．２に示した厚鋼板の製造プロセスにおいて生産される制御圧延材および加速冷却材の材質制御を対象に議論する。 ・・・ ４．２．３ 材質予測モデルの入出力変数 従来から次に示す入出力変数をもつモデルを用いて品質予測を行っている。従来は、線形重回帰モデルを用いて予測モデルを構築していた。 出力変数 材質予測モデルの出力変数は、制御変数である次の２つの材質特性値である。 ・引張強度 ・降伏点 入力変数 入力変数は、出力変数に影響を与える各プロセスの製造条件である。 制御圧延材の場合は、次の通りである。 ・製品厚 ・化学成分（Ｃ、Ｓｉ、Ｍｎ、・・・） ・加熱工程出側温度（加熱条件） ・圧延工程待機時板厚（圧延条件） ・圧延工程待機時温度（圧延条件） ・圧延工程出側温度（圧延条件） 加速冷却材の場合は、次の通りである。 ・製品厚 ・化学成分（Ｃ、Ｓｉ、Ｍｎ、・・・） ・加熱工程出側温度（加熱条件） ・圧延工程待機時板厚（圧延条件） ・圧延工程待機時温度（圧延条件） ・圧延工程出側温度（圧延条件） ・冷却開始温度（冷却条件） ・冷却停止温度（冷却条件） ４．２．４ 材質制御の操作変数 操作変数は、入力変数の中で最も下流にあるものを選択する。制御圧延材の場合は圧延工程出側温度であり、加速冷却材の場合は冷却停止温度である。 それらよりも上流の製造条件の実績値をもとに、制御目的を実現する操作変数の値を計算する。」（６６ページ「４．２」１行～６７ページ最終行） エ 「４．３．１ Ｊｕｓｔ－Ｉｎ－Ｔｉｍｅモデルを用いた品質制御システム ２．４節で説明した課題を解決するため、Ｊｕｓｔ－Ｉｎ－Ｔｉｍｅモデリングの一種である局所回帰モデルを用いた品質制御システムを開発した。本システムは、本章の材質制御だけでなく、次章の寸法制御に対しても適用した。 開発した品質制御システムの概要を図４．１に示す。本システムは、実績データベース、変数選択機能、局所回帰モデル作成機能、操作量決定機能から構成される。 鉄鋼製品は複数の工程を経て製造されるが、本システムは製造の途中でも計算できるように設計されている。既に実績値が存在する前工程とこれから操作することが可能な後工程に分け、制御変数の値が目標値に一致するように後工程の操作変数の値を計算する構成にしている。なお、第３章で説明した品質設計の段階において、対象プロセスに関する知識が豊富な熟練者により、顧客の要求品質を満足するように入力変数の基準値が製造前に決定され与えられている。 ・・・ ４．３．５ 操作量決定機能 前節で求められた局所回帰モデルのパラメータθと操作変数以外の入力変数値をもとに、品質特性（出力変数）が目標値・・・となるよう、対象鋼材の操作変数の値を計算する。 ・・・ 材質制御の場合は、制御変数は引張強度と降伏点の２つ、操作変数は最終段の冷却温度（制御圧延材の場合は圧延工程出側温度、加速冷却材の場合は冷却設備での冷却停止温度）であり、この１つの操作変数で２つの変数を制御する。本問題に対しては、変数のもつ特徴を利用し式４．１２に示すような構成とした。このような構成にした理由は、製造コストの観点から材質は目標値通りに制御することが望ましいが、材質は下限保証することが最も重要であり、冷却温度を低くすれば引張強度および降伏点は共に高くなる物理的特性をもつからである。」（６８ページ「４．３」２行～７２ページ６行） オ 「図１．２ ［図：0001413280000003.jpg］ 」 カ 「図４．１ ［図：0001413280000004.jpg］ 」 キ 上記イの記載からみて、甲２記載の品質制御が、既存の品質制御、すなわち、金属材料の製造中の所定工程後に確定した実績データを取得し、前記実績データと、製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、材料特性の推定値が所望の値に漸近するように、前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化する製造仕様を決定するものを前提とすることが認められる。 ク 上記ウ、エの記載から、甲２の「局所回帰モデル」は、入力値（既に実績値が存在する前工程の複数の入力変数と、これから操作することが可能な後工程の操作変数の２種類）と、複数の材質（出力変数又は制御変数（引張強度と降伏点の２つ））を結びつけた予測モデルであることは明らかである。 ケ 上記イ～エの記載などから、甲２の「４．３．５」欄の「操作量決定機能」により、既に実績値が存在する前工程の複数の入力変数と、予測モデルとに基づき逆解析を行い、複数の材質（引張強度、降伏点）の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算して（出力変数について、目標値となる操作変数の値を求める）、後工程の製造条件を製造中に最適化していることが理解できる。 コ 図４．１には、「操作量決定機能」により求められた操作変数が、制御量の指示値としてプロセスに伝送されることが図示されている。 サ 図１．２などから、厚鋼板の製造プロセスが、精錬工程及び鋳造工程を含むことは明らかである。 （２）甲２発明 上記（１）の甲２の記載及び甲２から理解できる事項からみて、甲２には以下の発明（以下「甲２発明」という。）が記載されていると認められる。 ＜甲２発明＞ 「精錬工程及び鋳造工程を含む、厚鋼板の製造工程において既に実績値が存在する前工程の複数の入力変数を製造条件の一部として取得するステップと、 前記既に実績値が存在する前工程の入力変数と、前記既に実績値が存在する前工程の入力変数を含む前記製造条件および出力変数である複数の材質を結びつけた予測モデルとに基づき逆解析を行い、１つの前記予測モデルの出力変数である複数の材質がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで、これから操作することが可能な後工程の製造条件を製造中に最適化するステップと を含む前記厚鋼板の材質制御方法。」 ３ 甲５について （１）甲５の記載 甲５には、以下の記載がある。 ア 「本発明は、多成分系材料の設計方法、最適化解析装置及び多成分系材料の最適化解析プログラムを記録した記録媒体にかかり、特に、多成分から構成される多成分系材料の材料設計、例えばタイヤ用ゴム配合設計に用いることが可能な多成分系材料の設計方法、最適化解析装置及び多成分系材料の最適化解析プログラムを記録した記録媒体に関する。・・・材料設計は、目的とする材料の機械的挙動を得るための成分の構成比や製造条件等を求めることである。この機械的挙動は材料自体の物性や大きさ等の物理量がある。」（８ページ５～１３行） イ 「この非線形演算部３２に用いられているニューラルネットワークの一例としては、図４に示すように、ニューロンに対応する所定数のユニットＩ１、Ｉ２、・・・、Ｉｐ（ｐ＞１）から成る入力層、多数のユニットＭ１、Ｍ２、・・・、Ｍｑ（ｑ＞１）から成る中間層、及び所定数の出力ユニットＵ１、Ｕ２、・・・、Ｕｒ（ｒ＞１）から成る出力層から構成されている。なお、入力層のユニット数、及び出力層のユニット数は多成分系材料の構成比率及び製造条件の個数、機械的挙動の個数に応じて設定すればよい。・・・出力層のユニットには例えば、ヤング率、ポアソン比、ｔａｎδ、コストを出力値として用いることができる。」（２２ページ下から５行～２３ページ８行） ウ 「【図４】 ［図：0001413280000005.jpg］ 」 （２）甲５に記載の技術的事項 上記アの記載から、甲５には、 「目的とする複数の材料特性を得るための成分の構成比や製造条件等を求めるために、複数のユニットからなる入力層と、複数のユニットからなる出力層からなるニューラルネットワークを用いること。」 との技術的事項（以下、「甲５に記載の技術的事項」という。）が記載されているといえる。 ４ 甲１発明に基づく進歩性欠如について （１）本件発明１と甲１発明との対比 本件発明１と、甲１発明とを対比する。 甲１発明の「鋼材」は本件発明１の「金属材料」に相当し、以下同様に、「製造条件」は「製造仕様」に、「複数の材質」は「材料特性」に、「下工程の製造条件指示値」は「製造プロセス全体のうち前記所定工程後のプロセスの制御量」に、「製品品質制御方法」は「製造仕様決定方法」に、それぞれ相当する。 また、甲１発明の「鋼材の製造途中の上工程の複数の製造実績」と、本件発明１の「金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データ」とは、「金属材料の製造中に、製造工程の所定工程後に確定した複数の実績データ」である限りで共通する。 さらに、甲１発明の「前記上工程の製造実績と、前記上工程の製造実績を含む製造条件および複数の材質を結びつけた予測モデル」と、本件発明１の「前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけ、少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデル」とは、「前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけた予測モデル」である限りで共通する。 加えて、甲１発明の「予測モデルによる複数の材質推定値がそれぞれの所望の値に漸近するように、下工程の製造条件指示値をフィードフォワード演算」することと、本件発明１の「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算」することとは、「予測モデルによる複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算」する限りで共通する。 以上から、本件発明１と、甲１発明とは、以下の＜一致点＞で一致し、＜相違点１＞～＜相違点３＞で相違する。 ＜一致点＞ 金属材料の製造中に、製造工程の所定工程後に確定した複数の実績データを製造仕様の一部として取得するステップと、 前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、予測モデルによる複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化するステップと を含む前記金属材料の製造仕様決定方法。 ＜相違点１＞ 実績データが、本件発明１は、「金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データ」とされているのに対し、甲１発明は、「鋼材の製造途中の上工程の複数の製造実績」であって、精錬工程及び鋳造工程の製造条件の両方での製造実績を含むか不明な点。 ＜相違点２＞ 予測モデルが、本件発明１では、「前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけ、少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデル」であるのに対し、甲１発明では、「前記上工程の製造実績と、前記上工程の製造実績を含む製造条件および複数の材質を結びつけた予測モデル」であり、「ニューラルネットワークモデル」ではない点。 ＜相違点３＞ 本件発明１では、「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように」、フィードフォワード演算するのに対し、甲１発明では、「予測モデルによる複数の材質推定値がそれぞれの所望の値に漸近するように」、フィードフォワード演算するものであり、複数の材料推定値が「互いに相反する」ものかどうか不明な点。 （２）判断 事案に鑑みて、相違点２から検討する。 相違点２における製造仕様と材料特性とを結びつけるニューラルネットワークモデルが、「少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデル」であることについて、上記３（２）の甲５に記載の技術的事項は該当しないし、その他の甲号証にも、記載されていない。 よって、甲１発明に、甲５に記載の技術的事項及びその他の甲号証に記載の技術的事項を適用しても、相違点２に係る本件発明１の構成には至らない。 ここで、申立人は、申立人意見書８ページにおいて、「複数の隠れ層を含む中間層を含むニューラルネットワークモデル」は甲５から自明であること、及び深層学習モデルのハイパーパラメータとしてドロップアウト率があり、ドロップアウト率を最適化して学習することは、本件特許の出願時の技術常識であることを主張し、参考資料１～３（なお、参考資料１～３については申立人回答書１６～１７ページを参照。）を提出した。 しかしながら、製造仕様と材料特性とを結びつけるニューラルネットワークモデルについて、「少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデル」とすることが技術常識であることを示す証拠は見当たらないし、甲１発明等から自明であるともいえない。 さらに、仮に、ニューラルネットワークモデルにおいて、「ドロップアウト率」を設定したり、「複数の隠れ層を含む中間層」を設定したりすることが知られていたとしても、甲１においては、複数の材質推定値（材質１～材質Ｍ）を算出する計算式（段落【００３４】～【００３７】を参照。）が、入力値と複数の材質を結びつけた予測モデルであるといえるところ、そのような甲１の計算式を、甲５に記載の技術的事項に照らしてニューラルネットワークモデルとするように改変した上で、さらに、製造仕様と材料特性とを精度良く結びつけるための、「ドロップアウト率」を設定するように改変し、「複数の隠れ層を含む中間層」を設定するように改変することは、多段階の改変（いわゆる、「容易の容易」）に該当し、当業者がそのような多段階の改変を容易に想到できたと評価するに足る証拠はないから、やはり甲１発明等に基づいて、相違点２に係る本件発明１とすることが当業者にとって容易になし得たということはできない。 （３）小括 したがって、相違点１、３について検討するまでもなく、本件発明１は、甲１発明及び甲５に記載の技術的事項並びにその他の甲号証に記載の技術的事項によって、当業者が容易になし得たものということはできない。 （４）本件発明２～７について 本件発明２～６は本件発明１を引用する発明であるところ、甲１発明と、少なくとも相違点２で相違するから、上記（２）と同様の理由により、甲１発明及び甲５に記載の技術的事項並びにその他の甲号証に記載の技術的事項によって、当業者が容易になし得たものということはできない。 また、本件発明７は、本件発明１を装置の発明として表現したものに該当するから、上記（２）と同様の理由により、甲１発明及び甲５に記載の技術的事項並びにその他の甲号証に記載の技術的事項によって、当業者が容易になし得たものということはできない。 ５ 甲２発明に基づく進歩性欠如について （１）本件発明１と甲２発明との対比 本件発明１と、甲２発明とを対比する。 甲２発明の「厚鋼板」は本件発明１の「金属材料」に相当し、以下同様に、「製造条件」は「製造仕様」に、「材質制御方法」は「製造仕様決定方法」に、それぞれ相当する。 また、甲２発明の「精錬工程及び鋳造工程を含む、厚鋼板の製造工程において既に実績値が存在する前工程の複数の入力変数」と、本件発明１の「金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データ」とは、「金属材料の製造中に、製造工程の所定工程後に確定した複数の実績データ」である限りで共通する。 さらに、甲２発明の「前記既に実績値が存在する前工程の入力変数と、前記既に実績値が存在する前工程の入力変数を含む前記製造条件および出力変数である複数の材質を結びつけた予測モデル」と、本件発明１の「前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけ、少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデル」とは、「前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけた予測モデル」である限りで共通する。 加えて、甲２発明の「１つの前記予測モデルの出力変数である複数の材質がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算」することと、本件発明１の「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算」することとは、「１つの前記予測モデルによる複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算」する限りで共通する。 以上から、本件発明１と、甲２発明とは、以下の＜一致点＞で一致し、＜相違点４＞～＜相違点６＞で相違する。 ＜一致点＞ 金属材料の製造中に、製造工程の所定工程後に確定した複数の実績データを製造仕様の一部として取得するステップと、 前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけた予測モデルとに基づき逆解析を行い、１つの前記予測モデルによる複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算し、前記制御量を指示値として前記プロセスに伝送することで前記所定工程後に係る製造仕様を製造中に最適化するステップと を含む前記金属材料の製造仕様決定方法。 ＜相違点４＞ 実績データが、本件発明１は、「金属材料の製造中に、精錬工程及び鋳造工程を含む製造工程の所定工程後に確定した複数の実績データであって、前記精錬工程及び前記鋳造工程での製造条件を少なくとも含む前記実績データ」とされているのに対し、甲２発明は、「精錬工程及び鋳造工程を含む、厚鋼板の製造工程において既に実績値が存在する前工程の複数の入力変数」であって、精錬工程及び鋳造工程の製造条件の両方での製造実績を含むか不明な点。 ＜相違点５＞ 予測モデルが、本件発明１では、「前記実績データと、前記実績データを含む前記製造仕様および材料特性を結びつけ、少なくともドロップアウト率を含むハイパーパラメータが最適化されて学習された、複数の隠れ層を含む中間層を含むニューラルネットワークモデル」であるのに対し、甲２発明では、「前記既に実績値が存在する前工程の入力変数と、前記既に実績値が存在する前工程の入力変数を含む前記製造条件および出力変数である複数の材質を結びつけた予測モデル」であり、「ニューラルネットワークモデル」ではない点。 ＜相違点６＞ 本件発明１では、「１つの前記ニューラルネットワークモデルによる互いに相反する複数の前記金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように」、フィードフォワード演算するのに対し、甲２発明では、「１つの前記予測モデルの出力変数である複数の材質がそれぞれの所望の値に漸近するように」、フィードフォワード演算するものであり、複数の材質が「互いに相反する」ものかどうか不明な点。 （２）判断 事案に鑑みて、相違点５から検討する。 ここで、相違点５は、実質的に相違点２と同様の相違点であるから、上記４（２）で示したのと同様の理由により、甲２発明、甲５に記載の技術的事項及びその他の甲号証に記載の技術的事項に基づいて、相違点２に係る本件発明１とすることは当業者が容易になし得たということはできない。 さらに、相違点６についても検討すると、甲２は、複数の材質、すなわち、「引張強度」と「降伏点」の推定値がそれぞれの所望の値に漸近するように、製造プロセス全体のうち前記所定工程後のプロセスの制御量をフィードフォワード演算することが記載されているとはいえるものの（上記２（１）ケを参照。）、当該「引張強度」と「降伏点」はいずれも金属材料の強度を示す材料特性であるから、互いに相反する材料特性とはいえない。 したがって、互いに相反する複数の金属材料の材料特性の推定値がそれぞれの所望の値に漸近するように、フィードフォワード演算することが、甲２発明等から容易になし得たということはできない。 したがって、相違点４について検討するまでもなく、本件発明１は、甲２発明及び甲５に記載の技術的事項並びにその他の甲号証に記載の技術的事項によって、当業者が容易になし得たものということはできない。 また、本件発明２～６は本件発明１を引用する発明であるところ、甲２発明と、少なくとも相違点５～６で相違するから、同様の理由により、甲２発明及び甲５に記載の技術的事項並びにその他の甲号証に記載の技術的事項によって、当業者が容易になし得たものということはできない。 さらに、本件発明７は、本件発明１を装置の発明として表現したものに該当するから、同様の理由により、甲２発明及び甲５に記載の技術的事項並びにその他の甲号証に記載の技術的事項によって、当業者が容易になし得たものということはできない。 ６ 取消理由２についてのむすび 以上から、本件発明１～７は、甲１発明又は甲２発明、及び甲５に記載の技術的事項、並びにその他の甲号証に記載の技術的事項によって、当業者が容易になし得たものということはできないから、取消理由２（進歩性）によって請求項１～７に係る特許を取り消すことはできない。 第６ むすび 以上のとおりであるから、取消理由通知書（決定の予告）に記載した取消理由及び特許異議申立書に記載した申立理由（甲１発明又は甲２発明に基づく、新規性及び進歩性欠如の申立）によっては、請求項１～７に係る特許を取り消すことはできない。 また、他に請求項１～７に係る特許を取り消すべき理由を発見しない。 よって、結論のとおり決定する。