![](3D"2133_arquivos/image001.gif")
Desenvolvimento de um
Índice de Infração de Patentes com Apoio de
Inteligência Artificial Multimodal
Development of a Patent
Infringement Index Supported by Multimodal Artificial Intelligence
|
Alayde=
s Mikaelle de
Morais https://orcid.org/0000-0003-2135-6578 |
Mestra em
Informática e Gestão do Conhecimento. Universidade Nove de
Julho (UNINOVE) – Brasil. alaydes.morais@gmail.com |
|
Cleber Gustavo Dias https://orcid.o=
rg/0000-0002-4232-2409 |
Doutor em Engenharia
Elétrica. Universidade Nove de Julho (UNINOVE) – Brasil.
diascg@uni9.pro.br |
RESUMO
A crescente dem=
anda
por agilidade e precisão na análise de infraçõe=
s de
patentes impulsiona o uso de soluções baseadas em
Inteligência Artificial (IA). Este estudo tem como objetivo desenvolv=
er e
validar um Índice de Infração de Patentes (II), indica=
dor
que combina similaridade semântica e visual entre patentes e produtos
para apoiar a triagem automatizada de possíveis violaçõ=
;es.
A metodologia integra análises textuais com o modelo PatentBERT e
análises imagéticas com o modelo CLIP, comparando o claim da =
patente
com a descrição e imagens de produtos suspeitos. O estudo de =
caso
utilizou duas patentes norte-americanas, resultando em um II de 50,84%, o q=
ue
indica sobreposição técnica relevante, mas não
caracterizou infração direta. Os resultados evidenciam o
potencial da IA para acelerar a verificação de patentes, mant=
er a
consistência técnica e reduzir vieses interpretativos. Conclui=
-se
que a integração entre algoritmos de IA e
interpretação humana contribui para a automação
confiável da detecção de infrações no ca=
mpo
da propriedade industrial.
Palavras-chave: inteligência Artificial; patentes; propriedade intelectu=
al;
detecção de infrações.
ABSTR=
ACT
The growing demand for agility and
accuracy in patent infringement analysis drives the use of Artificial
Intelligence (AI) solutions. This study aims to develop and validate a Pate=
nt
Infringement Index (II), an indicator that combines semantic and visual
similarity between patents and products to support the automated screening =
of
potential violations. The methodology integrates textual analysis using the=
PatentBERT model and image analysis using the CLIP mo=
del,
comparing the patent claim with the description and images of suspected
products. A case study was conducted with two U.S. patents, resulting in an=
II
of 50.84%, which indicates relevant technical overlap but does not constitu=
te
direct infringement. The results demonstrate the potential of AI to acceler=
ate
patent verification, ensure technical consistency, and reduce interpretative
biases. It is concluded that the integration of AI algorithms and human
interpretation contributes to the reliable automation of infringement detec=
tion
in the field of industrial property.
Keywords: artificial intelligence; patents;
intellectual property; infringement detection.
https://doi.org/10.22279/navus.v16.2133
1 INTRODUÇÃO
A propriedade
intelectual é crucial na sociedade moderna, pois protege os direitos=
de
inventores, artistas e criadores em diferentes áreas do conhecimento=
. As
proteções de patentes garantem o direito exclusivo por um per=
íodo
definido, promovendo o progresso em tecnologia e ciência. A
proteção legal incentiva a inovação recompensan=
do
inventores que fomentam a criação de novas tecnologias e
conceitos. Devido ao número crescente de inovações e
invenções complexas, há uma necessidade de
soluções mais eficientes nos processos de análise de
patentes (Barbosa, 2023).
Nessa
situação, a Inteligência Artificial (IA) se destaca como
uma solução promissora para melhorar o processo de
concessão e supervisão de patentes. Ferramentas orientadas po=
r IA
podem conduzir análises mais rápidas e precisas de conjuntos =
de
dados extensos, reconhecer semelhanças entre patentes e identificar
prontamente possíveis violações. Esses sistemas de IA
são capazes de automatizar tarefas complexas, como pesquisar patentes
anteriores, contrastar informações de patentes e avaliar a
exclusividade das invenções. Isso significa um avanço
notável em matéria de propriedade intelectual (Garcia, 2020).=
Incorporar agilid=
ade
e precisão é um aspecto vital quando se trata de modelos de IA
que detectam violações de patentes. A detecção =
de
infrações não se resume apenas a simples compara&ccedi=
l;ões
de palavras-chave ou imagens, pois também envolve compreender as
dimensões técnicas e legais das invenções. Redes
neurais e modelos de aprendizado profundo têm a capacidade de reconhe=
cer
padrões e detalhes intrincados em descrições de patent=
es e
visuais, melhorando, em última análise, a precisão do
sistema. No entanto, apesar de sua eficiência, a IA encontra dificuld=
ades
para compreender contextos diferenciados que exigem aprimoramento
contínuo para melhorar a precisão e a confiabilidade (Berente=
, 2021).
Além do
progresso que a IA facilitou, existem obstáculos significativos que
devem ser enfrentados. Entender as circunstâncias técnicas e
legais precisas da inovação representa um grande desafio para=
os
sistemas de IA. As patentes frequentemente são formuladas de forma v=
aga
ou contêm termos técnicos complexos, tornando a análise
automatizada mais complicada. Consequentemente, a experiência humana
é essencial para garantir a precisão das análises
conduzidas por sistemas de IA, particularmente em cenários complexos=
ou
pouco claros. Outra preocupação pertinente está
relacionada à garantia de transparência e explicabilidade nas
decisões tomadas pela IA, especialmente em áreas como a Lei de
Propriedade Industrial 9.279/96, onde as decisões podem ter
consequências legais substanciais. A falta de certeza nos procediment=
os
de tomada de decisão pode diminuir a confiança no sistema e l=
evar
a complicações ao questionar ou avaliar decisões
automatizadas (Sichman, 2021).
A
integração da inteligência artificial na
avaliação de patentes traz repercussões sociais e
econômicas significativas. Ao aumentar a eficiência e reduzir os
custos no processo de concessão de patentes, a IA tem o potencial de
tornar a proteção de invenções mais
acessível, especialmente para pequenos inventores ou aqueles de
países em desenvolvimento. Isso pode promover a inclusão e
motivar um número maior de indivíduos a buscar
proteção para suas inovações. No entanto, a
adoção generalizada dessa tecnologia pode beneficiar
predominantemente grandes corporações com os recursos
necessários para implantar essas soluções
avançadas, o que representa um novo desafio em relação
à justiça no acesso à tecnologia. A supervisão =
da
utilização da IA deve, portanto, se esforçar para evit=
ar
que essas ferramentas reforcem a disparidade existente, mas, em vez disso,
promover um sistema equitativo e facilmente acessível para todas as
partes interessadas envolvidas (Ertel, 2024).
A qualidade dos d=
ados
usados para treinar modelos de IA é crucial para uma análise
eficaz de patentes. Dados completos, precisos e representativos de
várias áreas tecnológicas são essenciais para
garantir a precisão na análise. Dados insuficientes ou
desatualizados podem afetar a eficácia do modelo, resultando em
análises imprecisas e decisões falhas. Manter dados de
treinamento diversos e de alta qualidade é vital para a
implementação bem-sucedida da IA em aplicações =
de
propriedade intelectual, ao mesmo tempo em que considera sua importân=
cia
junto com outros fatores críticos (Huynh-The, 2023).
A
colaboração entre humanos e IA é crucial para superar =
as
limitações da tecnologia e garantir uma tomada de decis&atild=
e;o
justa e bem fundamentada. Enquanto a IA aumenta a eficiência e a
precisão, o discernimento humano continua vital para abordar
questões subjetivas e ambientes intrincados. Os profissionais de
propriedade intelectual desempenham um papel fundamental na
verificação dos resultados da IA, interpretando as nuances do=
caso,
garantindo a operação ética e eficiente do sistema.
Integrar as capacidades analíticas da IA com a proficiência hu=
mana
pode aumentar a velocidade, a precisão e a imparcialidade da
análise de patentes, reforçando assim a proteçã=
o da
propriedade intelectual como um todo (Barbosa, 2023).
A inclusão=
da
IA na análise de patentes é um passo notável para aume=
ntar
a eficácia e a precisão do sistema de propriedade intelectual=
. No
entanto, a integração dessa tecnologia exige a superaç=
ão
de vários obstáculos, como decifrar os aspectos técnic=
os e
legais das invenções, garantindo processos de tomada de
decisão compreensíveis e garantindo a disponibilidade equitat=
iva
da proteção de patentes. A fusão de tecnologias de pon=
ta
com uma estrutura legal aberta e justa desempenhará um papel crucial=
na
otimização das vantagens da IA e na garantia de
proteção equitativa para todos os inventores, independentemen=
te
da escala ou do histórico (Garcia, 2020).
O processo de
identificação de infrações de patentes é
fundamental para garantir a proteção dos direitos de propried=
ade
intelectual. Ele é conduzido por especialistas técnicos e
jurídicos que seguem uma abordagem sistemática para avaliar s=
e um
produto infringe uma patente existente. Esse fluxo de trabalho, apesar de
eficaz, apresenta desafios como tempo elevado de análise, subjetivid=
ade
na avaliação e dificuldade na comparação manual=
de
informações técnicas e visuais (Park, 2014).
O fluxo segue um
modelo sequencial, no qual cada etapa depende do resultado da anterior. O
processo inicia-se com o recebimento do caso, no qual um especialista &eacu=
te;
acionado para analisar uma possível infração de patent=
e.
Essa solicitação pode ser feita pelo titular da patente, por
advogados especializados ou por órgãos reguladores. Apó=
;s o
recebimento, o especialista conduz uma análise inicial, revisando a
patente concedida e as informações preliminares sobre o produ=
to
suspeito (CHOI, 2014). Essa revisão busca identificar se há
indícios concretos de infração, permitindo que, caso
não haja justificativa para prosseguir, o caso seja encerrado nesta
fase.
Caso a aná=
lise
inicial indique a necessidade de investigação mais detalhada,=
o
especialista segue para a captura de imagens e documentação do
produto suspeito. Esse registro visual é essencial para permitir a c=
omparação
posterior com os diagramas e especificações contidos na paten=
te.
São realizadas fotografias em diversos ângulos e, em alguns ca=
sos,
vídeos para demonstrar aspectos funcionais do produto (Liu, 2020).
A etapa seguinte
consiste na identificação e listagem das partes e
características do produto, estruturando todos os seus componentes de
forma organizada. Esse mapeamento serve como referência para as
comparações subsequentes. Com essa base estabelecida, inicia-=
se a
comparação textual, na qual o especialista examina as
descrições técnicas contidas na patente e no produto
suspeito. O objetivo é identificar termos, conceitos e funcionalidad=
es
que possam indicar uma sobreposição de características=
(Choi,
2014).
Além da
análise textual, realiza-se uma comparação visual entr=
e as
imagens capturadas do produto e os diagramas da patente. Esse exame detalha=
do
permite identificar similaridades estruturais, funcionais e estética=
s.
Caso haja forte correspondência visual entre o produto e a patente, i=
sso
pode ser um forte indício de infração (MDPI, 2023).
Após a eta=
pa
de comparações, o especialista conduz uma
verificação jurídica, na qual avalia a conformidade do
produto suspeito com as leis de propriedade intelectual. Nesse momento,
são analisadas infrações diretas (casos em que o produ=
to
replica elementos específicos da patente) e infrações =
por
equivalência (situações em que métodos alternati=
vos
resultam na mesma funcionalidade protegida pela patente) (Instituto Dannema=
nn
Siemsen de Estudos Jurídicos e Técnicos, 2013).
Com base nessas
análises, o especialista elabora um parecer técnico, detalhan=
do
todas as evidências e justificativas para sua conclusão. Esse
parecer pode ser utilizado para fundamentar ações judiciais,
negociações entre as partes ou arquivamento do caso. A
última etapa do processo consiste no encaminhamento para decis&atild=
e;o
legal, momento em que os detentores da patente definem a estratégia a
ser adotada, seja a judicialização do caso, a busca por
mediação ou outras formas de proteção da
propriedade intelectual (Zhu, 2020).
Embora seja um
procedimento essencial para a proteção de patentes, o
método tradicional apresenta desafios significativos. Primeiramente,
há a demanda de tempo elevado, uma vez que a análise manual de
textos, diagramas e fotografias torna o processo longo e custoso. Alé=
;m
disso, a subjetividade na interpretação pode levar a diferent=
es
conclusões dependendo do especialista que conduz a análise. O=
utro
fator relevante é a complexidade da análise comparativa, pois=
a
verificação de similaridades entre produtos e patentes exige =
um
conhecimento técnico avançado e pode ser influenciada por
pequenas variações na estrutura e funcionalidade (Lee, 2013).=
1.1 Objetivos
1.1.1 Objetivo Geral
Desenvolver e validar um
Índice de Infração de Patentes com apoio de
Inteligência Artificial Multimodal.
1.1.2 Objetivos
específicos
Os objetivos
específicos do presente estudo estão descritos a seguir:
i-) Desenvolver um
indicador de infração de patentes com o suporte de
técnicas de
Inteligência Artificial multimodal;
ii-) Implementar a
análise de infração computacional usando dados oriundo=
s de
textos e/ou imagens das patentes;
iii-) Testar o us=
o do
indicador de infração em uma área do conhecimento
particular;
2 REFERENCIAL TEÓRICO
A
utilização de um Índice de Infração (II)=
na
área de propriedade intelectual, especialmente na detecç&atil=
de;o
de infrações de patentes, tem se mostrado uma frente promisso=
ra
de pesquisa e desenvolvimento.
O estudo de Srini=
vas
et al. (2024) apresenta o PatExpert, um framework autônomo baseado em
múltiplos agentes, que visa otimizar e automatizar os fluxos de trab=
alho
relacionados a patentes. A proposta de utilizar agentes especializados em t=
arefas
como classificação, geração de
reivindicações e análise de múltiplas patentes
representa um avanço significativo na eficiência desses proces=
sos.
A incorporação de técnicas como Graph Retrieval-Augmen=
ted
Generation (GRAG), que combina semelhança semântica com grafos=
de
conhecimento, aprimora a precisão e a relevância da
análise. Essa abordagem, que integra mecanismos de erro e feedback,
não apenas melhora a acurácia, mas também assegura
transparência — aspecto essencial na aplicação de=
IA
à propriedade intelectual.
Em outra vertente,
Vesala & Ballardini (2019) exploram as implicações
jurídicas do uso de IA, com foco nas redes neurais e seus impactos s=
obre
os direitos de propriedade intelectual. O estudo examina em quais condi&cce=
dil;ões
o treinamento de redes neurais pode configurar violação de
propriedade, oferecendo um panorama crítico dos desafios legais da
aplicação de IA em tarefas como a detecção de
infrações de patentes. Essa análise reforça a
necessidade de garantir que os modelos de IA operem dentro dos limites lega=
is,
especialmente quando aplicados em contextos sensíveis, como o da
propriedade industrial. Diferentemente do presente trabalho, que prop&otild=
e;e
um indicador técnico para estimar violações, o estudo =
de
Vesala & Ballardini (2019) se concentra nos aspectos normativos, sem
apresentar soluções computacionais.
A pesquisa de Shi=
et
al. (2024) introduz o PatentFinder, uma ferramenta voltada à
detecção de infrações em patentes relacionadas a
moléculas. Com o uso de componentes como MarkushParser e MarkushMatc=
her,
a ferramenta aprimora a análise de pequenas moléculas e supera
abordagens baseadas apenas em linguagem natural. Sua performance superior
reforça o uso de IA em áreas especializadas como biotecnologi=
a e
farmacologia. O diferencial deste trabalho, no entanto, está na
criação de um indicador multimodal que pode ser aplicado a
diversas áreas tecnológicas, não se restringindo ao
domínio químico-farmacêutico.
Complementando a
discussão, Dos Santos et al. (2024) investigam o uso de IA generativ=
a na
redação de pedidos de patentes. Embora não aborde
diretamente a detecção de infrações, o estudo
evidencia como a qualidade da redação impacta etapas posterio=
res
do processo. Um pedido de patente bem estruturado facilita a análise
comparativa e, por consequência, a detecção de
violações. O foco do presente trabalho, no entanto, est&aacut=
e;
na aplicação de um índice baseado em similaridade
semântica e visual, enquanto o de Dos Santos et al. concentra-se na f=
ase
anterior de geração textual.
A pesquisa de Lu
& Ni (2019) apresenta o modelo BERT-CNN para a classificaç&atild=
e;o
automatizada de patentes, com acurácia de 84,3%. O uso de modelos de
linguagem como o BERT é relevante para representar semanticamente te=
rmos
técnicos e pode ser extrapolado para tarefas de
identificação de similaridades e possíveis
infrações. A proposta aqui, contudo, avança alé=
m da
classificação, ao comparar patentes com produtos reais,
utilizando dados textuais e visuais para estimar riscos infracionais.
O trabalho de Yas=
aei
et al. (2021) propõe o GNN4IP, um método baseado em redes neu=
rais
gráficas para detectar pirataria de propriedade intelectual em hardw=
are.
O modelo alcança 96% de acurácia ao analisar circuitos eletr&=
ocirc;nicos
por grafos estruturais. Apesar de o foco ser o design de hardware, o concei=
to
de similaridade estrutural pode ser adaptado para outras formas de patente,
como o que se propõe neste trabalho, que utiliza uma abordagem
multimodal mais ampla e aplicável a diversos setores.
No mesmo campo, o
estudo de Cao et al. (2021) introduz o IPGuard, uma técnica de
proteção de propriedade intelectual aplicada a redes neurais
profundas, sem comprometer sua precisão. O uso de fingerprinting na
fronteira de classificação das redes oferece uma nova abordag=
em
para detectar cópias de modelos de IA. Essa proposta pode ser adapta=
da
para fins de verificação em sistemas que analisam a similarid=
ade
entre patentes.
Este trabalho, por
outro lado, não visa proteger modelos de IA, mas sim identificar
automaticamente infrações de patentes reais cometidas por
produtos disponíveis no mercado, por meio de um índice que po=
ssa
ser utilizado por especialistas ou agentes inteligentes para estimar o grau=
de
similaridade e o risco de violação.
A principal
diferença em relação aos trabalhos revisados est&aacut=
e;
no escopo e na generalização: enquanto diversas abordagens
são restritas a domínios específicos — como
hardware, biotecnologia ou geração textual — o presente
estudo propõe um indicador multimodal adaptável a diferentes
contextos técnicos, combinando análise textual e imagé=
tica
com o objetivo de oferecer suporte à tomada de decisão na
gestão da propriedade industrial.
Além da
literatura internacional, estudos brasileiros reforçam a
importância da Propriedade Industrial no contexto nacional. Garcez Júnior, Eloy e
Santos (2021), ainda no contexto brasileiro, realizaram uma
investigação empírica inédita sobre a qualidade=
das
patentes concedidas no país, a partir das ações de
nulidade protocoladas — indicador claro de contestação
técnica à validade das patentes. Esse quadro evidencia a
necessidade de um mecanismo preventivo de análise de
infrações, como o Índice de Infração (II=
),
capaz de reforçar a confiabilidade e reduzir litígios futuros=
. Nesse cenário, a propo=
sta
deste trabalho busca justamente preencher essas lacunas, ao desenvolver e
validar um índice multimodal adaptável a diferentes contextos
tecnológicos, concebido para apoiar de forma prática e transp=
arente
a análise de possíveis infrações de patentes. 3 METODOLOGIA A presente pesqui=
sa
adota uma abordagem metodológica mista, integrando revisão
bibliográfica, estudo de caso e desenvolvimento de um Índice =
de
Infração (II) voltado à detecção
automatizada de infrações de patentes. O objetivo principal
é propor, implementar e testar um modelo multimodal capaz de estimar=
a
probabilidade de infração com base em critérios
técnicos e semânticos. A metodologia foi estruturada em etapas
interdependentes, que abrangem desde o levantamento teórico at&eacut=
e; a
construção do indicador de infração, culminando=
na
análise dos resultados a partir de métricas de desempenho
validadas. A etapa inicial
corresponde à revisão bibliográfica, com o intuito de
mapear os principais métodos, ferramentas e abordagens adotadas na
aplicação de IA à propriedade intelectual. Conforme Gil
(2008), a revisão bibliográfica é fundamental para
identificar lacunas no conhecimento e consolidar o referencial teóri=
co. A segunda etapa
envolve o desenvolvimento e validação de um Índice de
Infração (II), com base em um estudo de caso. Foram seleciona=
das
duas patentes norte-americanas para simulação: a patente
US4656605A, intitulada Single In-line Memory Module, concedida em 1987; e a
patente US4727513A, intitulada Signal In-line Memory Module, concedida em 1=
988.
Ambas apresentam alta similaridade estrutural e técnica, sendo a seg=
unda
utilizada como produto supostamente infrator. A escolha desse conjunto se
justifica pela disponibilidade de documentos técnicos detalhados,
incluindo reivindicações formais (claims) e
representações gráficas das invenções. O cerne
metodológico desta pesquisa é a criação de um
Índice de Infração (II), formulado para sintetizar a
probabilidade de ocorrência de infração com base na
média ponderada de duas comparações: (i) a similaridade
semântica entre a claim da patente supostamente infringida e a
descrição do produto; (ii) a similarida=
de
semântica entre a claim da patente e as imagens do produto. O valor final do
Índice de Infração (II) é dado pela soma das
similaridades obtidas, dividida pela quantidade total de
comparações realizadas. A fórmula geral pode ser expre=
ssa
conforme indicado na Equação onde: Similaridade Clai=
m vs
Descrição: representa o valor de similaridade entre o texto d=
os
claims da patente e a descrição textual do produto. – Número tot=
al
de comparações: equivale à soma de 1 (para a
comparação textual) com o número de imagens
analisadas. De forma didática, o
Índice de Infração (II) pode ser entendido como a
média das similaridades entre o texto dos claims da patente e as
informações do produto (descrição e imagens). O
valor final, expresso em percentual, indica o grau de
sobreposição técnica: valores elevados sugerem maior
probabilidade de infração. A similaridade
semântica é medida por meio de embeddings vetoriais gerados a
partir de modelos de linguagem pré-treinados. Para a
comparação entre textos (reivindicação e
descrição), utilizou-se o modelo PatentBERT
(anferico/bert-for-patents); para a comparação entre texto e
imagem (reivindicação e imagens do produto), utilizou-se o mo=
delo
CLIP (openai/clip-vit-base-patch32). As pontuações resultantes
são normalizadas em escala percentual de 0 a 100. Além desses
dois componentes centrais, há possibilidade de incorporar pesos
específicos para cada atributo, a fim de ajustar a influência
relativa de cada fonte de similaridade e, assim, aprimorar a precisã=
o do
índice. A Figura 1 a segu=
ir
apresenta o fluxo de funcionamento que integra todas as etapas operacionais=
do
modelo: Figura 1 Fluxograma de funcionamento e etapas
operacionais Fonte: Autores (2=
025). Na etapa de
validação do Índice de Infração (II), os
resultados gerados pelo modelo podem ser comparados com
informações e pareceres técnicos relativos ao caso
selecionado. Essa comparação permite mensurar o desempenho do=
II
com base nas métricas previamente estabelecidas. Em seguida,
realiza-se uma análise crítica dos resultados, discutindo os
fatores que impactaram a acurácia do modelo, tais como ambiguidade
jurídica, lacunas nas bases de dados e limitações dos
modelos multimodais empregados. Essa etapa visa apontar caminhos para melho=
rias
técnicas, ajustes no indicador proposto e possibilidades de
generalização para diferentes setores tecnológicos. Com base nessa
estrutura metodológica, a pesquisa formula três hipótes=
es
centrais: Hipótese H=
1:
Os modelos multimodais de Inteligência Artificial possuem acurá=
;cia
comparável à de especialistas na detecção de
infrações de patentes, sendo capazes de identificar similarid=
ades
entre produtos e patentes com precisão técnica adequada. Hipótese H=
2:
É viável criar um Índice de Infração (II)
que sirva de apoio à atuação de especialistas em
propriedade intelectual, automatizando, com alto grau de confiabilidade e
eficiência, a análise de possíveis violaçõ=
;es
de patentes. Hipótese n=
ula
H0: Os modelos multimodais atuais de IA não possuem precisão
suficiente para complementar a análise de especialistas na
identificação de infrações de patentes,
apresentando limitações significativas na detecç&atild=
e;o
de similaridades e na interpretação jurídica dos
registros. A partir dessas
hipóteses, o presente estudo busca não apenas validar o uso d=
a IA
na análise de infrações, mas também contribuir =
para
o desenvolvimento de metodologias mais eficazes no campo da propriedade int=
electual,
promovendo avanços na automação e na precisão
dessas análises. 4 RESULTADOS E DISCUSSÕES 4.1 Comparativo com as soluções de IA para
Detecção de Infrações de Patentes![3D"Diagrama
O](3D"2133_arquivos/image003.gif")
Nesta
subseção, apresenta-se uma análise comparativa entre
diferentes soluções de Inteligência Artificial atualmen=
te
disponíveis no mercado para a verificação de patentes.=
O
objetivo é compreender suas metodologias, limitações e=
de
que forma o Índice de Infração (II) proposto neste est=
udo
pode aprimorar o processo de identificação de
violações de propriedade intelectual.
As
soluções de IA empregadas na verificação de
patentes adotam abordagens distintas para otimizar a
identificação de infrações, cada uma com vantag=
ens
e limitações específicas. Um exemplo notável
é o uso de Processamento de Linguagem Natural (PLN) e técnica=
s de
aprendizado de máquina para comparar automaticamente textos de paten=
tes
com bancos de dados técnicos, reduzindo os erros associados à
busca manual por palavras-chave (Helmers et al., 2019).
No entanto, como
destaca Gollihar (2023), a aplicação da IA em contextos
jurídicos, como a detecção de infrações,
ainda enfrenta desafios significativos, especialmente quanto à
definição de autoria, responsabilidade e confiabilidade das
decisões automatizadas. O modelo de IA do INPA, por exemplo, constit=
ui
uma iniciativa relevante, porém restrita à triagem de pedidos=
de
patentes, sem contemplar a comparação com produtos existentes=
.
A plataforma iPNO=
TE
utiliza PLN para buscas textuais avançadas, permitindo localizar
patentes similares. Sua limitação, entretanto, está na
ausência de análise de imagens — fator crucial para
identificar infrações em produtos visuais e processos industr=
iais
(iPNOTE, 2024).
Já a NeoPT=
O,
desenvolvida com o apoio da EMBRAPII, concentra-se na construç&atild=
e;o
de um banco de dados global de patentes, empregando agentes de IA para acel=
erar
a busca por registros relevantes. Apesar de sua utilidade, a ferramenta n&a=
tilde;o
realiza uma verificação detalhada de infrações,
funcionando apenas como recurso auxiliar para recuperação de
informação (EMBRAPII, 2023).
A parceria entre o
INPI e o CAS representa mais um esforço de integração =
de
IA à análise de patentes, organizando dados científico=
s e
permitindo um exame mais ágil dos pedidos. Contudo, o sistema n&atil=
de;o
contempla mecanismos para verificação automática de
infrações, o que limita sua aplicabilidade em contextos
contenciosos (INPI & MDIC, 2025).
Por sua vez, o
PATENTSCOPE, da OMPI, constitui um dos sistemas mais abrangentes para busca=
de
patentes internacionais, mas não dispõe de funcionalidades
robustas de análise preditiva ou comparação
semântica aprofundada (World Intellectual Property Organization, 2025=
).
Diferentemente das
soluções analisadas, o II proposto neste estudo adota uma
abordagem multimodal, integrando análise textual e visual entre o
conteúdo técnico das patentes e os produtos reais. Essa
característica permite uma verificação mais precisa e
automatizada, com potencial para reduzir o tempo de investigaç&atild=
e;o
de horas ou dias para apenas alguns minutos — sem perda de profundida=
de
técnica.
4.2 Detecção de Infrações de Paten=
tes
em um caso prático
Para validar a
eficácia do Índice de Infração (II) proposto, f=
oi
conduzido um estudo prático utilizando duas patentes norte-americana=
s:
US4656605A (Single In-line Memory Module, concedida em 1987) e US4727513A
(Signal In-line Memory Module, concedida em 1988). A primeira foi considera=
da
como a patente protegida, e a segunda, como um produto potencialmente infra=
tor.
Antes da
aplicação do II, foram realizados testes com o objetivo de
identificar o modelo de linguagem mais adequado para a
verificação de similaridade semântica entre a claim da
patente protegida e a descrição do produto infrator simulado,
representado pela claim da segunda patente.
Tabela 1
Comparativo de Modelos de IA =
para
Similaridade Texto x Texto
|
Mod=
elo
Utilizado |
Tip=
o de
Treinamento |
Sim=
ilaridade
Texto x Texto (%) |
Obs=
ervações |
|
TF-=
IDF
+ Cosine Similarity |
Estatístico (termos)=
|
94,43% |
Não capta
semântica profunda |
|
Min=
iLM
(BERT generalista) |
Semântico geral (leve) |
91,98% |
Rápido, mas não
técnico |
|
Sci=
BERT |
Técnico-cientí=
;fico |
87,00% |
Melhor para textos
técnicos, mas sem foco em patentes |
|
Pat=
entBERT |
Específico de patentes |
95,19% |
Melhor desempenho para documentos
jurídicos e técnicos |
Fonte: Autores (2025).
TF-IDF combinado =
com
Cosine Similarity é uma ferramenta robusta para identificar similari=
dade
textual entre documentos de patente, sendo útil especialmente em eta=
pas
iniciais de triagem ou em verificações automáticas. No
entanto, seu uso isolado é limitado quando se trata de compreender
semântica complexa ou interpretar informações visuais
— capacidades essenciais em casos de infrações
técnicas (Shen, 2017).
O modelo MiniLM, =
uma
versão compacta do BERT, foi desenvolvido para oferecer eficiê=
ncia
computacional em tarefas de Processamento de Linguagem Natural (PLN).
Utilizando a técnica de deep self-attention distillation, o MiniLM r=
eduz
significativamente o tamanho do modelo e os custos de processamento, manten=
do
desempenho comparável ao BERT-base em tarefas como perguntas e respo=
stas
e análise de sentimentos (Wang, 2020).
O SciBERT, por sua
vez, é um modelo pré-treinado baseado no BERT, voltado para a
compreensão de textos científicos. Treinado com um amplo corp=
us
de artigos acadêmicos nas áreas biomédica e de
ciência da computação, o SciBERT mostra-se mais adequad=
o do
que o BERT padrão para tarefas de PLN envolvendo literatura
científica — como classificação de sentenç=
;as,
extração de entidades e análise semântica de tex=
tos
técnicos (Beltagy, 2019).
O PatentBERT &eac=
ute;
uma adaptação do BERT treinada especificamente para tarefas de
classificação e análise de patentes. Esse modelo foi
desenvolvido com foco na interpretação das reivindicaç=
ões
(claims), demonstrando que essa seção do documento é
suficiente para alcançar alto desempenho em tarefas de
categorização. O modelo aplica fine-tuning sobre um BERT
pré-treinado com um extenso conjunto de dados do USPTO e apresentou
resultados superiores a métodos anteriores baseados em redes neurais
convolucionais (CNN) e em embeddings tradicionais (Lee, 2019).
Com base nos
resultados apresentados na Tabela 1, o modelo PatentBERT (repositóri=
o:
anferico/bert-for-patents) foi selecionado como o componente textual do II,=
em
razão de sua elevada acurácia e aderência ao
vocabulário técnico-jurídico das patentes.
Já o CLIP
(Contrastive Language–Image Pre-training), desenvolvido pela OpenAI,
é um modelo que associa imagens e textos por meio de aprendizado
contrastivo. Treinado em grande escala com pares de imagem e legenda
extraídos da web, o CLIP consegue projetar representaçõ=
;es
linguísticas e visuais em um mesmo espaço vetorial, sendo efi=
caz
para tarefas como busca multimodal, classificação zero-shot,
análise de similaridade semântica e interpretação
visual de linguagem natural (Radford, 2021).
Para a etapa de
comparação visual entre a claim da patente e as imagens do
produto infrator simulado, utilizou-se o modelo CLIP. Sua capacidade de
representar texto e imagem em um espaço vetorial compartilhado permi=
te
realizar a avaliação de similaridade visual de forma automati=
zada
e eficiente. A Tabela 2 apresenta os resultados combinados das
comparações semânticas (textuais) e visuais realizadas.=
Tabela 2
Similaridade entre claim da patente protegida e elementos do
produto suspeito usando PatentBERT e CLIP
|
Com=
paração |
Tip=
o de
Análise |
Sim=
ilaridade
(%) |
|
Cla=
im
vs Produto (Texto) |
Texto x Texto (PatentBERT)<= o:p> |
95,19 |
|
Cla=
im
vs Imagem 1 |
Texto x Imagem (CLIP) |
100,00 |
|
Cla=
im
vs Imagem 2 |
Texto x Imagem (CLIP) |
8,18 |
|
Cla=
im
vs Imagem 3 |
Texto x Imagem (CLIP) |
0,00 |
Fonte: Autores (2025).
Sendo a cl=
aim
da patente: "What I claim is: 1. A memory =
module
for installation on a printed circuit motherboard comprising nine data memo=
ry
chips for storing digital data, each having a data input and output, control
input, and an address input, and each being packaged in a plastic leaded ch=
ip
carrier, wherein said ninth memory chip is for storing detection and correc=
tion
information associated with the eight data memory chips, an epoxy-glass pri=
nted
circuit board substrate having a length and width adequate for mounting the=
reon
only in a single row said nine memory chips and for interconnecting the con=
trol
inputs and the address inputs of the memory chips so that bytes of digital
information may be input to or output from the memory chips, the substrate
including thirty terminals for providing access to the data inputs and outp=
uts,
control inputs, and address inputs of the nine memory chips and to enable
reading and writing of information into and out of the nine chips, support
means for supporting the memory module at an angle with respect to a
motherboard and decoupling capacitors mounted on said substrate and coupled=
to
the memory chips for suppressing transient voltages. 2. The module of claim=
1
wherein all nine memory chips are interconnected such that data is input to=
or
output from the ninth memory chips when data is input to or output from the
other eight memory chips".
A
descrição do produto infrator simulado corresponde à c=
laim
da segunda patente: "I claim:
1. A memory module for installation on a
printed circuit motherboard comprising:&nb=
sp;
eight data memory chips for storing digital data, each having a data
input and output, a control input, and an address input, and each being
packaged in a plastic leaded chip carrier;=
a ninth memory chip for storing error detection and correction
information associated with the eight data memory chips, said ninth memory =
chip
having a data input and output, a control input and an address input
interconnected with those of the eight memory chips, and a control input to=
provide
writing in or reading out of the ninth memory chip at times other than when
said bytes of digital information are written into or read out of the eight
data memory chips to thereby facilitate said error detection and correction
operation; an epoxy-glass pri=
nted
circuit board substrate having a length and width adequate for mounting the=
reon
only in a single row said nine memory chips and for interconnecting the con=
trol
inputs and the address inputs of the memory chips so that bytes of digital
information may be input to or output from the memory chips one at a time;<=
span
style=3D'mso-spacerun:yes'> the substrate including thirty ter=
minals
for providing access to the data inputs and outputs, control inputs, and
address inputs of the nine memory chips to enable reading and writing of by=
tes
of digital information into and out of the eight memory chips and to enable
reading and writing of error detection and correction information into and =
out
of the eight memory chips; su=
pport
means for supporting the memory module at an angle with respect to the prin=
ted
circuit motherboard when the memory module is installed thereon; and eight decoupling capacitors, mount=
ed on
said substrate and connected between the nine memory chips, for supressing transient voltage spikes between said memo=
ry
chips."
E as imagens
comparadas foram as presentes nas Figura 2, Figura 3 e Figura 4:
Figura 2
Imagem1 comparada com a Claim=
da
Patente
![3D"Diagrama,](3D"2133_arquivos/image005.gif")
Nota: Recuperado =
da
Patente US4727513A
Figura 3
Imagem2 comparada com a Claim=
da
Patente
![3D"Diagrama
O](3D"2133_arquivos/image007.gif")
Nota: Recuperado =
da
Patente US4727513A
Figura 4
Imagem3 comparada com a Claim=
da
Patente
![3D"Uma](3D"2133_arquivos/image009.gif")
Nota: Recuperado =
da
Patente US4727513A
A média dos
valores obtidos resultou em um Índice de Infração (II)=
de
50,84%, indicando similaridades técnicas relevantes entre os element=
os
analisados — sobretudo no aspecto textual — sem configurar, no =
entanto,
uma infração direta. Esse resultado é coerente com o f=
ato
de que as patentes envolvidas representam soluções
técnicas distintas, embora relacionadas.
A patente US47275=
13A
pode ser interpretada como uma evolução funcional ou
variação técnica da US4656605A, compartilhando parte de
sua arquitetura, mas incorporando modificações estruturais
significativas. Assim, o valor intermediário do II demonstra que, em=
bora
haja proximidade conceitual, há também evidências
suficientes de diferenciação, reforçando o uso do
indicador como ferramenta técnica preliminar no apoio à
análise de possíveis infrações.
Apesar dos resultados
promissores, o Índice de Infração (II) apresenta algum=
as
limitações. Sua precisão depende da qualidade dos dado=
s de
entrada — descrições incompletas ou imagens pouco repre=
sentativas
podem comprometer a acurácia — e dos próprios modelos
multimodais, que ainda enfrentam dificuldades em capturar nuances
jurídico-técnicas complexas. Em contextos práticos, a
aplicabilidade do índice exigiria integração com fluxos
periciais e validação junto a especialistas jurídicos,=
de
modo a assegurar sua aceitação como ferramenta de apoio e
não como substituto da análise especializada. Além dis=
so,
o estudo foi conduzido em um único domínio tecnológico=
, o
que restringe a generalização dos achados. Futuras
aplicações em setores diversos poderão ampliar a robus=
tez
do II, verificar sua adaptabilidade e contribuir para consolidar seu uso em
diferentes contextos industriais.
5 CONCLUSÃO
O presente estudo evidenciou o
potencial do uso de um Índice de Infração (II) como
ferramenta de suporte técnico na triagem e análise preliminar=
de
possíveis infrações de patentes, por meio da aplica&cc=
edil;ão
combinada de Inteligência Artificial textual e visual. Diante da
crescente complexidade dos processos de patenteamento e da dificuldade em
avaliar sobreposições técnicas entre
invenções e produtos reais, a criação de
métricas automatizadas torna-se não apenas útil, mas
essencial para garantir celeridade e confiabilidade ao processo
decisório.
A proposta metodológica
apresentada — baseada na combinação de modelos
pré-treinados de linguagem natural (como o PatentBERT) e modelos
multimodais de similaridade imagem-texto (como o CLIP) — viabilizou a
construção de um indicador numérico capaz de sintetiza=
r o
grau de similaridade entre o claim de uma patente e os elementos de um prod=
uto
potencialmente infrator. A aplicação do modelo a um caso
prático, envolvendo duas patentes norte-americanas, resultou em um I=
I de
50,84%, valor que indica sobreposição técnica relevant=
e,
mas não absoluta. Tal resultado reforça o caráter do
índice como instrumento auxiliar à interpretação
especializada, e não como substituto da análise jurídi=
ca.
A combinação de anál=
ises
semânticas e visuais demonstrou ganho significativo em abrangên=
cia
e precisão, evidenciando que modelos contrastivos multimodais s&atil=
de;o
particularmente eficazes na redução de vieses e na
priorização de casos com alto grau de similaridade. No entant=
o,
é necessário atentar para questões como a explicabilid=
ade
dos modelos, a qualidade das bases de dados utilizadas e os riscos associad=
os à
aplicação indiscriminada dessas soluções em lar=
ga
escala.
Para além dos aspectos
técnicos, torna-se fundamental considerar os impactos sociais e
econômicos da adoção dessa tecnologia. A
disseminação de ferramentas baseadas em IA deve ser acompanha=
da
de políticas públicas e diretrizes que assegurem seu acesso
equitativo, evitando que apenas grandes corporações se benefi=
ciem
dos avanços. A democratização do uso do II pode amplia=
r a
proteção a inventores independentes e instituiçõ=
;es
menores, promovendo maior justiça tecnológica.
Como perspectivas futuras, destacam-se: a
incorporação de pesos adaptativos no cálculo do II,
ajustando a relevância de diferentes componentes (como texto descriti=
vo,
imagens ou partes específicas das claims), conforme a natureza da
tecnologia analisada; e a validação empírica do
índice junto a equipes multidisciplinares de especialistas
técnicos e jurídicos, com vistas a testar sua eficácia=
em
outros setores industriais. A aplicação do II em bases de dad=
os
reais e diversificadas permitirá refinar sua utilização
como instrumento de apoio em auditorias técnicas, disputas legais e
exames de patente.
Conclui-se, portanto, que a
incorporação do Índice de Infração como
recurso analítico automatizado representa um avanço relevante=
na
modernização da gestão de patentes, oferecendo agilida=
de,
precisão e suporte técnico fundamentado. Sua
adoção, no entanto, dependerá da integraç&atild=
e;o
responsável entre tecnologia e regulação, com
supervisão humana contínua e compromisso com a ética e=
a
equidade. Nesse contexto, a Inteligência Artificial não substi=
tui
o especialista, mas o potencializa.
REFERÊNCIAS
Barbosa, D. B. (2025). Tratado da Propriedade Intelectual R=
11;
Tomo I (2ª ed., 5ª tiragem). Rio de Janeiro: Lumen Juris. ISBN
978-8551900833.
Barbosa, L. M., & Portes, L. A. F. (2023). A
inteligência artificial. Revista Tecnologia Educacional, (236),
16–27.
Berente, N., Gu, =
B.,
Recker, J., & Santhanam, R. (2021). Managing artificial intelligence. M=
IS
Quarterly, 45(3).
Cao, X., Jia, J.,
& Gong, N. Z. (2021). IPGuard: Protecting
intellectual property of deep neural networks via fingerprinting the
classification boundary. Proceedings of the 2021 ACM Asia Conference on
Computer and Communications Security (pp. 14–25).
Choi, S. W. (2014=
).
System and method for analysing patent infringe=
ment
[Patent]. https://scispace.com/papers/system-and-method-for-anal=
ysing-patent-infringement-2jjl848s2y?utm_source=3Dchatgpt=
Dos Santos, J. W., de Oliveira, A. L., da Silva, R. G., &
Pimentel, M. T. (2024). Previsão tecnológica para uso de
inteligência artificial generativa na redação de pedido=
s de
patentes. Revista Eletrônica Científica Inovação=
e
Tecnologia, 15(37), 41–55.
Dos Santos, M. J. P., Schaal, F. M. M., & Goulart, R. (202=
4).
Propriedade intelectual e inteligência artificial. Almedina Brasil.
Dos Santos, M. V. R., Alves, G. M. R., & De Andrade Maciel=
, A.
M. (2022). Benchmarking de sistemas AutoML open-source. Revista de Engenhar=
ia e
Pesquisa Aplicada, 7(3), 19–28.
Ertel, W. (2024). Introductio=
n
to artificial intelligence=
(2nd ed.). Sprin=
ger
Nature.
EMBRAPII. (2023). EMBRAPII apoia sistema de Inteligência
Artificial para agilizar processo de patente industrial. https://embrapii=
.org.br/embrapii-apoia-sistema-de-inteligencia-artificial-para-agilizar-pro=
cesso-de-patente-industrial/
Garcez Júnior, S. S., Eloy, B. R., & Santos, J. A. =
B.
(2021). A qualidade dos privilégios patentários concedidos no
Brasil sob a ótica das ações judiciais de nulidade de
patentes. Revista Direito GV, 17(1), e2116. https://doi.org/10.1590/2317-61=
72202116
Garcia, A. C. B. (2020). Ética e inteligência
artificial. Computação Brasil, (43), 14–22.
Gollihar, J. (202=
3).
Patent Infringement by Development and Use of Artificial Intelligence Syste=
ms,
Specifically Artificial Neural Networks. MPI Studies on Intellectual Proper=
ty
and Competition Law. https://doi.org/10.1007/978-3-662=
-65974-8_20
Helmers, L., Horn,
F., Biegler, F., Oppermann, T., & Müller, K.-R. (2019). Automating=
the
search for a patent’s prior art with a full text similarity search. P=
LOS
ONE. https://doi.org/10.1371/jou=
rnal.pone.0212103
Hu, W., Qin, Y., =
Jin,
H., Han, L., & Qian, Y. (2024). Bliva: A si=
mple
multimodal LLM for better handling of text-rich visual questions. Proceedin=
gs
of the AAAI Conference on Artificial Intelligence (pp. 2256–2264).
Huynh-The, T., Hu=
a,
B. S., Ngo, T. D., & Lee, G. (2023). Artificial intelligence for the
metaverse: A survey. Engin=
eering
Applications of Artificial Intelligence, 117, 105581.
Instituto Dannemann Siemsen de Estudos Jurídicos e
Técnicos. (2013). Comentários à Lei da Propriedade
Industrial e correlatos (3ª ed., rev. e atual.). Rio de Janeiro: Renov=
ar.
INPI e MDIC. (2025, março 24). INPI e MDIC avanç=
am
para agilizar patentes e marcas no Brasil.=
https://www.gov.br/inpi/pt-br/central-de-conteudo/noticias/inpi-e-md=
ic-avancam-para-agilizar-patentes-e-marcas-no-brasil
iPNOT=
E. (20=
24).
AI Patent Search: Transforming the Future of Intellectual Property.
https://ipnote.pro/en/blog/ai-patent-search-transforming-the-future-=
of-intellectual-property/
Lee, C., Song, B.,
& Park, Y. (2013). How to assess patent infringement risks: A semantic
patent claim analysis using dependency relationships. Technology Analysis &=
amp;
Strategic Management, 25(1), 23–38.
Lee, J.-S., &
Hsiang, J. (2019). PatentBERT: Patent Classific=
ation
with Fine-Tuning a Pre-trained BERT Model. arXiv:
Computation and Language.
https://scispace.com/papers/patentbert-patent-classification-with-fine-tuni=
ng-a-pre-1bxqiytdzu?utm_source=3Dchatgpt
Li, Z., Tang, K.,
Pan, J., Zhang, Y., & Tang, J. (2024). Monkey: Image resolution and text
label are important things for large multi-modal models. Proceedings of the
IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp.
26763–26773).
Liu, W., Liu, X.,
Kong, Y., Yang, Z., & Qiao, W. (2020). Game Theory Based Patent
Infringement Detection Method. Database and Expert Systems Applications (pp.
134–145). Springer. https://doi.org/10.1007/978-3-030=
-59051-2_11
Lo, H.-C., Yang, Y., Zhu, Y., & Wu, Y.
(2024). Large language model informed patent image retrieval<=
/span>. arXiv preprint arXiv:2404=
.19360.
Lu, X., & Ni, B. (2019). BERT-CNN: A =
hierarchical patent classifier b=
ased
on a pre-trained language<=
/span>
model. arXiv preprint
arXiv:1911.06241.
Lu, Y., Wang, H., Zhang, T., & Zhao, =
Z.
(2020). Research on classification and similarity of patent
citation based on deep learning. Scientometrics=
, 123,
813–839.
Lv, Z.
(2023). Generative artificial intelligence in the metaverse era. Cognitive
Robotics, 3, 208–217.
MDPI. (2023).
Measuring Patent Similarity Based on Text Mining and Image Information. https://www.mdpi.com/2079-8954/11/=
6/294
Park, I., & Y=
oon,
B. (2014). A semantic analysis approach for identifying patent infringement
based on a product–patent map. Technology Analysis & Strategic
Management, 26(8), 855–874.
Radford, A., Kim,=
J.
W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning Transferable Visual Mo=
dels
From Natural Language Supervision. arXiv:2103.00020.
https://doi.org/10.48550/arXiv.2103.00020
Shen, Y.-C., Lin,=
G.
T. R., Lin, J.-R., & Wang, C.-H. (2017). A Cross-Database Comparison to
Discover Potential Product Opportunities Using Text Mining and Cosine
Similarity. Journal of Scientific & Industrial Research.
Shi, Y., Yang, Y.,
Yang, Y., Xie, Y., & Wang, B. (2024). Intelligent system for automated
molecular patent infringement assessment. arXiv
preprint arXiv:2412.07819.
Sichm=
an, J. =
S.
(2021). Intel=
igência
artificial e sociedade: avanços e riscos. Estudos Avançados, =
35,
37–50.
Silveira, N. (2018). Propriedade intelectual: Propriedade
industrial, direito de autor, software, cultivares, nome empresarial,
título de estabelecimento, abuso de patentes (6ª ed.). Sã=
;o
Paulo: Manole. ISBN 978-8520457528.
Srinivas, S. S., Vaikunth, V. S., & Runkana, V. (2024). Towar=
ds
automated patent workflows: AI-orchestrated multi-agent framework for
intellectual property management and analysis. arXiv
preprint arXiv:2409.19006.
Vesala, J., &=
Ballardini, R. (2019). AI and IPR infringement: A case
study on training and using neural networks. In R. Bal=
lardini
& J. Välimäki (Eds.), Regulating Industrial Internet through =
IPR,
Data Protection and Competition Law. Kluwer Law International.
Yasaei, R., Basu,=
A.,
Raghunathan, A., & Jha, N. K. (2021). GNN4IP: Graph neural network for
hardware intellectual property piracy detection. In 2021 58th ACM/IEEE Desi=
gn
Automation Conference (DAC) (pp. 217–222). IEEE.
Wang, W., Wei, F.,
Dong, L., Bao, H., Yang, N., & Zhou, M. (2020). Mi=
niLM:
Deep Self-Attention Distillation for Task-Agnostic Compression of Pre-Train=
ed
Transformers. NeurIPS. https://scispace.com/
World Intellectual
Property Organization. (2025). PATENTSCOPE. https://www.wipo.int/en/web/patent=
scope
Zhu, D. (2020).
Bibliometric analysis of patent infringement retrieval model based on
self-organizing map neural network algorithm. Library Hi Tech, 38(2), 479-491.