FlowPlan-G2P: A Structured Generation Framework for Transforming Scientific Papers into Patent Descriptions

Probleemstelling

Het genereren van patentbeschrijvingen op basis van wetenschappelijke artikelen is een complexe taak vanwege fundamentele retorische en structurele verschillen tussen deze twee genres.

• Retorische Dispariteit: Wetenschappelijke artikelen zijn gericht op het overtuigen van peers van de geldigheid van een ontdekking (experimenteel bewijs, theoretische nieuwheid). Patentbeschrijvingen daarentegen zijn juridische instrumenten die gericht zijn op openbaarmaking en het afbakenen van rechten, met een sterke focus op uitvoerbaarheid en juridische naleving.
• Juridische Beperkingen: Een cruciale eis is het "Enablement Requirement" (35 U.S.C. § 112), waarbij de beschrijving voldoende technische details moet bevatten zodat een "Person Having Ordinary Skill in the Art" (PHOSITA) de uitvinding kan nabootsen zonder onnodig experiment.
• Tekortkomingen van Bestaande Methoden: Huidige benaderingen behandelen deze taak vaak als oppervlakkige tekst herschrijving (end-to-end prompting). Dit leidt tot hallucinaties in technische details, gebrek aan structurele coherentie en het niet naleven van juridische eisen. Bestaande modellen falen vaak in het behouden van de logische "probleem-oplossing-implementatie"-flow over lange tekstdelen.

Methodologie: FlowPlan-G2P

FlowPlan-G2P is een graf-gemedieerd generatief raamwerk dat de transformatie van paper naar patent decomposeert in drie gestructureerde fasen. In plaats van directe tekst-naar-tekst conversie, volgt het de cognitieve workflow van een expert patentontwerper.

Fase 1: Concept Graph Induction (Conceptgraf-Inductie)

• De invoer (wetenschappelijk artikel) wordt niet als ongestructureerde tekst behandeld, maar ontbonden in redeneeroutput die overeenkomt met canonieke patentcategorieën: Field, TechProblem, PriorArt, Novelty, Solution, Implementation, Effects, Embodiment, Figure.
• Een LLM genereert gestructureerde redeneringen voor elke categorie, geleid door specifieke prompt-templates met juridische standaardzinnen.
• Uit deze redeneringen worden technische entiteiten (knooppunten $V$) en hun functionele afhankelijkheden (randen $E$) geëxtraheerd om een gerichte conceptgraf $G = (V, E)$ te vormen.
• Randtypes omvatten relaties zoals solves, implements, causes, improves, en validates.
• Om structuurherinnering te maximaliseren, worden drie kandidaat-graaf gegenereerd (één op basis van regels, twee op basis van LLM-inferentie) en samengevoegd tot een verfijnde graf $G^*$ via semantische similariteit en meerderheidsstemming.

Fase 2: Section-level Planning (Sectie-niveau Planning)

• De graf $G^*$ wordt georganiseerd in juridisch conforme patentsecties met een coherente paragraafstroom.
• Er wordt een plan $P = (S, T)$ gegenereerd waarbij $S$ sectiespecifieke subgrafen zijn en $T$ hun globale volgorde (Field $\to$ Background $\to$ Summary $\to$ Detailed Description $\to$ Effects).
• De toewijzing van knooppunten aan secties wordt geoptimaliseerd door een "gating mechanism" dat twee criteria meet:
  1. Interne linkdichtheid ($C_i$): Meet de connectiviteit binnen een sectie.
  2. Semantische consistentie ($Sim_i$): Meet de homogeniteit van knooppunttypen binnen een sectie (straf voor heterogene groepering).
• Alleen plannen die boven bepaalde drempelwaarden liggen worden geaccepteerd, wat garandeert dat de uiteindelijke beschrijving voldoet aan juridische conventies.

Fase 3: Graph-Conditioned Generation (Graf-geconditioneerde Generatie)

• Voor elke subgraf in het plan worden de knooppunten gelineariseerd en gekoppeld aan een patent-specifieke instructie.
• Een LLM (met lage temperatuur $\tau=0.2$ voor deterministische output) genereert per sectie één paragraaf.
• Er worden aangepaste strategieën gebruikt per sectie (bijv. expliciete probleemformulering in de Background, integratie van figuren in de Detailed Description).
• Een post-generatie validatiemodule controleert de semantische trouw tussen de gegenereerde tekst en de bronsubgraf, en triggert hergeneratie bij afwijkingen.

Belangrijkste Bijdragen

1. Gestructureerd Transformatieparadigma: Het paper reformuleert paper-naar-patent generatie als een graf-gemedieerd proces. Door gerichte conceptgrafen en hiërarchische plannen als expliciete tussenrepresentaties in te voeren, wordt cross-domein tekstgeneratie ontbonden in interpreteerbare redeneerstappen.
2. Het FlowPlan-G2P Framework: Een drie-traps pijplijn die technische redenering ontkoppelt van oppervlakkige realisatie. Dit resulteert in patentbeschrijvingen die voldoen aan juridische conformiteit, lange-afstand coherentie en domeinspecifieke retorische conventies.
3. Expert-Gedreven Decompositie: In plaats van end-to-end generatie, factoriseert het systeem de taak in entiteitsextractie, graafconstructie en sectie-geconditioneerde synthese. Dit bewijst dat gestructureerde tussenrepresentaties een sterkere inductieve bias zijn dan modelgrootte voor gespecialiseerde lange teksten.

Resultaten en Evaluatie

De evaluatie is uitgevoerd op de Pap2Pat-EvalGold dataset (146 hoogwaardige, door experts geverifieerde paren van paper en patent).

• Probleem met Bestaande Metrieken: Er is een "Metric Paradox" geïdentificeerd. Standaard NLG-metrieken (ROUGE, BERTScore) straffen vaak juridisch valide, maar minder vloeiende patentteksten af, terwijl ze "Zero-Shot" hallucinaties belonen die oppervlakkig lijken maar juridisch ongeldig zijn.
• Pat-DEVAL: De auteurs gebruiken een domeinspecifiek evaluatiekader (Pat-DEVAL) dat vier dimensies meet: Technische Inhoudstrouw (TCF), Data Precisie (DP), Structurele Dekking (SC) en Juridisch-Professionele Conformiteit (LPC).
• Prestaties:
  • FlowPlan-G2P behaalde een LPC-score van 4.8 (op een schaal waar baselines rond 1.5-2.1 scoorden), wat aangeeft dat het model voldoet aan de strikte enablement-eisen.
  • Het systeem presteerde consistent beter dan Zero-Shot, Few-Shot prompting en eerdere methoden zoals Pap2Pat.
  • Robuustheid: FlowPlan-G2P presteerde zelfs beter dan grotere, gespecialiseerde modellen (zoals Claude-4.5) wanneer het werd uitgevoerd op een kleiner, open-weight model (Llama-4-scout). Dit bevestigt dat gestructureerde planning belangrijker is dan pure modelgrootte.

Betekenis en Conclusie

FlowPlan-G2P biedt een nieuwe standaard voor het automatiseren van juridisch-technische tekstgeneratie. De belangrijkste inzichten zijn:

1. Structuur boven Schaal: Voor complexe taken zoals patenten is een geavanceerde planningsmethodologie (graf-inductie en sectie-planning) kritischer voor kwaliteit dan de schaal van het onderliggende taalmodel.
2. Noodzaak van Domeinspecifieke Evaluatie: Standaard tekstmetrieken zijn misleidend voor juridische documenten; er zijn gespecialiseerde evaluatiekaders nodig die juridische geldigheid en logische coherentie meten.
3. Toekomstperspectief: Het werk legt de basis voor gestructureerde generatie in juridische domeinen, met potentiële uitbreidingen naar gezamenlijke claim- en beschrijvingsgeneratie en aanpassing aan verschillende jurisdicties.

Het paper concludeert dat FlowPlan-G2P een krachtig hulpmiddel is voor patentprofessionals, mits gebruikt als assistentie met menselijke validatie, en dat het de kloof tussen wetenschappelijke ontdekkingen en intellectuele eigendomsrechten effectiever overbrugt dan bestaande generatieve modellen.