BatteryMat提出分层机器学习与DFT框架，用于锂离子正极平均电压筛选。该方法可在海量候选材料中快速预测平均电压，大幅缩短正极材料从计算到实验的周期。对LMFP而言，锰铁比例与掺杂元素对电压平台的影响可通过该框架快速筛选，减少试错成本。正极材料工程师可借助此类工具优化锰铁比例与掺杂配方，加速LMFP的能量密度提升。
Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials探索多保真度机器学习力场，可在不同精度间平衡计算成本与准确性。对LMFP的锰溶出与界面反应模拟而言，多保真度力场可更高效地预测锰离子在电解液中的溶解与迁移行为，为包覆掺杂工艺提供理论指导。该方法的成熟将降低正极材料研发对高通量实验的依赖。
Quantum Algorithm for Open-System Battery Cathodes建模强耦合Holstein极化子，针对开放系统电池正极的量子算法。LMFP中的锰溶出与电子极化子行为密切相关，量子算法可更精确地描述电子-声子耦合，为抑制锰溶出提供微观机理支撑。对正极材料环节而言，理解极化子行为有助于优化碳包覆与掺杂工艺，提升LMFP的循环稳定性。
Coulombic efficiency and capacity retention are not universal descriptors of cell aging对库仑效率与容量保持率作为电池老化通用描述符提出质疑。对LMFP而言，锰溶出导致的容量衰减机制与LFP不同，单一描述符可能掩盖锰溶出的影响。正极材料工程师需结合锰溶出量、阻抗增长等多维度指标评估LMFP的老化行为，避免误判循环寿命。
Covalently Integrated CNT@rGO提升导电性与循环稳定性，Text-to-Battery Recipe提出基于语言模型的电池配方自动提取。前者为LMFP的导电网络构建提供新思路，共价集成的CNT@rGO可提升极片导电性并抑制锰溶出；后者可加速文献中LMFP配方与工艺参数的提取与复用。对正极材料研发而言，AI辅助的配方管理与导电添加剂优化将缩短LMFP的量产导入周期。