锂离子电池用磷酸锰铁锂（LMFP）正极材料的最新进展与未来发展趋势综述发布，涵盖合成、改性及回收。综述指出LMFP能量密度比LFP高15%-20%，但锰溶出与低电导率是主要瓶颈。改性手段包括碳包覆、纳米化、离子掺杂与表面包覆。回收方面，LMFP中锰与锂的分离回收是难点，湿法冶金与火法冶金各有优劣。对LMFP从业者而言，需关注综述中提到的规模化生产一致性问题，碳包覆均匀性与烧结温度控制是关键工艺参数。
BatteryMat框架结合机器学习与DFT用于锂离子正极平均电压筛选，可加速LMFP成分优化。该框架通过层次化机器学习模型预测正极材料平均电压，减少DFT计算量。对LMFP正极企业而言，机器学习可加速Fe/Mn比例优化与掺杂元素筛选，缩短研发周期。但需注意，机器学习预测结果需实验验证，LMFP合成中的动力学因素可能偏离理论预测。
Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials研究发表，多保真度机器学习力场可提升正极材料模拟精度。该力场结合低精度与高精度计算，可模拟LMFP中锂离子扩散与锰溶出过程。对LMFP环节而言，机器学习力场有助于理解锰溶出机理与包覆层设计，但需大量实验数据训练模型。当前LMFP企业可借助该工具优化包覆工艺，降低锰溶出。
LiFe0.6Mn0.4PO4橄榄石正极的合成与表征研究发表，为LMFP成分优化提供参考。研究表明Fe/Mn比例影响材料电压平台与循环稳定性，Mn含量过高导致Jahn-Teller畸变加剧锰溶出。对LMFP正极企业而言，Fe/Mn比例优化需平衡能量密度与循环寿命，当前主流LMFP产品Mn含量在0.4-0.6之间。合成方法上，固相法与液相法各有优劣，固相法成本低但一致性差，液相法均匀性好但废水处理成本高。
Coulombic efficiency and capacity retention are not universal descriptors of cell aging研究指出库仑效率与容量保持率并非通用老化描述符，对LMFP循环寿命评估提出新视角。该研究建议采用多参数评估电池老化，包括阻抗增长与活性锂损失。对LMFP正极企业而言，需建立更全面的循环寿命评估体系，避免单一指标误导产品开发。LMFP锰溶出导致的容量衰减需通过dQ/dV曲线与阻抗谱综合分析。