技術概要：IdeaForge

問題提起

現在の AI 支援イノベーションシステムは、主に逐次プロンプトベースのワークフローを通じて実行される単一方法論アプローチ（例：TRIZ またはデザイン思考）に依存しています。これらのシステムは、中間推論状態を保持できないという根本的な構造的限界に苦しんでいます。その結果、異なる方法論を通じて生成された洞察は断片化され、追跡可能性、統合、および新規性の体系的評価が欠如しています。最終的な特許草案は、構造化された根拠のある分析からではなく、生の大規模言語モデル（LLM）の出力から直接生成されることが多く、正式に調整されることのない孤立した出力を生み出します。

方法論：IdeaForge フレームワーク

IdeaForge は、共有された永続的な知識グラフ（KG）上で作用する異種推論演算子としてイノベーション方法論を扱うことで、これらの限界に対処します。このフレームワークは、FalkorDB グラフデータベース上で動作する専門エージェントを通じて、TRIZ、デザイン思考、SCAMPER の 3 つの異なる方法論を統合します。

システムアーキテクチャ

パイプラインは 8 つのステップで構成されます：

1. 問題取り込み: 生アイデアがグラフ内の Problem ノードに変換されます。
2. 専門エージェントの実行:
   • TRIZ エージェント: 技術的矛盾（改善/悪化パラメータ）を特定し、発明原理を選択して、Contradiction、Principle、および Claim ノードを生成します。
   • デザイン思考エージェント: ユーザーペルソナ、ジョブ・トゥ・ビー・ドン（成し遂げるべき仕事）、および「How-Might-We（どのようにすれば～できるか）」の質問を生成し、UserNeed と Claim ノードを作成します。
   • SCAMPER エージェント: 体系的な変換（置換、結合、適応など）を適用して、Transformation と Claim ノードを生成します。
   • 先行技術エージェント: arXiv に関連する研究を検索し、特定の請求項に挑戦する PriorArt ノードを作成します。
3. 収束検出: 埋め込み統合エージェントが、文書埋め込み（sentence-transformer）を使用して異なる方法論からの請求項間のコサイン類似度を計算します。異なる方法論からの請求項が類似度閾値（デフォルト 0.65）を超えると、新しい CONVERGENT エッジを介してリンクされます。
4. ランキング: InnovationScore 数式が、収束サポート、方法論の多様性、請求項の強度、および先行技術のペナルティに基づいて請求項をランキング付けします。
5. 特許草案作成: 特許エージェントが、上位ランクの請求項とそれらを支援する部分グラフ（矛盾、原理、ユーザーニーズ）を取得し、構造化された特許草案を生成します。これにより、すべての請求項が KG に追跡可能であることが保証されます。

知識グラフスキーマ

グラフは 8 種類のノードタイプ（Problem、Contradiction、Principle、UserNeed、Transformation、Analogy、PriorArt、Claim）と 8 種類のエッジタイプを使用します。中核となる革新は、意味的に類似している場合に異なる方法論からの請求項を接続する CONVERGENT エッジです。これは「構造的三角測量」を実装するものであり、複数の推論フレームワークによって独立して類似の請求項が導き出されることは、非自明性のシグナルとして機能します。

評価基準

InnovationScore は重み付きヒューリスティック数式です：
$$Score = w_1 \cdot \text{norm}(\text{convergent\_count}) + w_2 \cdot \text{norm}(\text{diversity}) + w_3 \cdot \text{claim\_strength} - w_4 \cdot \text{norm}(\text{prior\_art\_challenges})$$

• 収束カウント (0.4): 最も高い重みを持ち、複数の方法論によって支援される請求項を優先します。
• 方法論の多様性 (0.3): 異種視点に根ざした請求項を評価します。
• 請求項の強度 (0.2): 生成された方法論の構造的厳密性に基づきます（TRIZ > DT > SCAMPER）。
• 先行技術ペナルティ (0.1): arXiv 文献とのキーワード重複に基づく保守的なペナルティです。

主要な貢献

1. 永続的イノベーショングラフ: 逐次プロンプトチェーンとは異なり、方法論のパス全体にわたって中間推論状態を保持する、複数のノードタイプにまたがるスキーマ。
2. クロス方法論収束: 埋め込みベースの類似性を使用して、TRIZ、デザイン思考、SCAMPER によって独立して導き出された請求項を検出し、CONVERGENT エッジを介してリンクするメカニズム。
3. InnovationScore: 単一エージェントの出力ではなく、複数方法論の合意に基づいて特許候補の強度を定量化する、原理的なランキング数式。
4. KG 根拠に基づく草案作成: 構造化された部分グラフから草案を構築する特許生成ワークフローにより、制約のない LLM 生成への依存を軽減します。
5. MCP 統合: 外部エージェントや IDE にグラフツールを公開する MCP サーバーにより、モジュール化されたエージェントワークフローを可能にします。

実験結果

このフレームワークは、インドの農村部向け音声ファーストの法務アシスタントと、医療、EdTech、農業、アクセシビリティの 5 つの他のドメインで評価されました。

• グラフ出力: パイプラインは、各方法論からの異なる請求項を含む構造化されたグラフ（例：16 ノード、10 エッジ）を一貫して生成しました。
• 収束: 5 つのドメインのうち 4 つで、3 つの方法論すべてが意味的に類似したイノベーション方向に収束しました（3 つの収束ペア）。コサイン類似度は 0.817 から 0.837 の範囲でした。医療ドメインでは収束が低く（1 ペア）、推論フレームワーク間の真の乖離を検出するシステムの能力を実証しました。
• 比較: 単一方法論のベースラインと比較して、IdeaForge はより豊かで追跡可能なイノベーション候補を生成しました。単一方法論の実行では重要な次元を見逃していました（例：TRIZ 単独ではユーザーアクセシビリティを見逃す、デザイン思考単独では技術的特定性が欠如する）のに対し、完全なパイプラインはこれらの視点を統合しました。
• 堅牢性: システムは TinyLlama（11 億パラメータ）を使用して効果的に機能し、フレームワークの価値は生 LLM の能力ではなく、グラフ構造化の複数方法論分析にあることを示しました。

意義と主張

本論文は、独立した推論方法論間の収束が、非自明性の原理的なシグナルであると提唱しています。TRIZ（矛盾解決）、デザイン思考（ユーザーニーズ）、SCAMPER（体系的変換）が独立して意味的に類似した請求項を生成する場合、その基盤となるイノベーションが技術的に有効かつユーザーに関連する可能性は、著しく高まります。

IdeaForge は、以下の点で計算創造性と説明可能な AI 支援発明の分野を進展させることを主張します：

• 孤立した逐次プロンプトワークフローを超え、グラフネイティブなイノベーションシステムへと移行すること。
• 各特許請求項を特定の推論パス（例：問題 → 矛盾 → 原理 → 請求項）まで遡って追跡可能にすること。
• 真の方法論的合意を表面化し、フレームワークが乖離するアイデアを正しく識別する識別フィルターを提供すること。

限界と謙虚さ:
著者は明示的に、IdeaForge は研究プロトタイプであると述べています。法的に有効な特許出願を生成することを主張するものではありません。InnovationScore はヒューリスティックであり、新規性の法的評価ではありません。先行技術検索は arXiv に限定されており、商用特許を見落としています。また、システムは LLM の品質に依存しており、小規模モデルではフォールバックロジックが必要です。このフレームワークは、専門家の法的レビューを代替するものではなく、人間のイノベーション分析を補完するために設計されています。