Neues Tool zur Patentclaims-Optimierung: Tree-of-Claims nutzt Multi-Agenten und MCTS

Die Optimierung von Patentclaims ist ein entscheidender, aber komplexer Prozess, bei dem ein feines Gleichgewicht zwischen maximaler Neuheit und rechtlichem Schutzumfang gefunden werden muss. Traditionell erfordert das manuelle Ausarbeiten von Claims hohe Arbeitskosten, lange Zeiträume und führt oft zu inkonsistenten Ergebnissen. Auch herkömmliche Large Language Models (LLMs) fehlen häufig die strukturierte, iterative Denkweise, die für präzise Claim‑Verfeinerungen nötig ist.

Um diese Herausforderungen zu meistern, wurde das Tree-of-Claims (ToC)-Framework entwickelt. ToC betrachtet die Bearbeitung von Claims als ein gezieltes Suchproblem und kombiniert dabei Monte Carlo Tree Search (MCTS) mit einem kollaborativen Multi‑Agenten‑System. Dabei agiert ein LLM‑basierter EditorAgent, der kontextbasierte Bearbeitungen vorschlägt, während ein ExaminerAgent die Rolle eines Patentanwalts übernimmt und strukturiert die Neuheit sowie die Offenlegung von Vorwissen analysiert.

Der ExaminerAgent nutzt dabei eine Kette von Gedanken (chain‑of‑thought), um die Qualität der Vorschläge zu prüfen und Feedback zu geben. Durch ein sorgfältig gestaltetes, mehrzieliges Belohnungssystem werden gleichzeitig Neuheit, Erhalt des Schutzumfangs und semantische Kohärenz optimiert.

In einer umfangreichen Evaluation mit 1.145 Claims zeigte ToC deutlich bessere Ergebnisse als Standard‑LLMs, sowohl im Zero‑Shot‑ als auch im Few‑Shot‑Modus. Der durchschnittliche Composite‑Score stieg um 8 % und in einigen Fällen sogar um 9 %. Ergänzende Ablationsstudien bestätigten die Wirksamkeit des Ansatzes und demonstrierten, dass ToC zuverlässig rechtlich robuste Claim‑Revisionen erzeugt.

Zusammenfassend bietet ToC eine transparente, kontrollierbare und interpretierbare Methode, die die fortschrittlichen Denkfähigkeiten von LLMs mit strategischem MCTS‑Planen verbindet. Damit wird ein neuer Standard für die strukturierte Optimierung von Patentclaims gesetzt.