BatteryMat提出分层机器学习与DFT结合的平均电压筛选框架，用于锂离子正极材料的平均电压快速筛选。传统DFT计算每个候选材料耗时较长，机器学习代理模型可大幅缩短筛选周期。对LMFP研发的影响：该框架可用于筛选不同锰铁比、不同掺杂元素组合下的电压平台，帮助正极厂在实验前缩小配方范围，加快从LiFePO4向LiFe1-xMnxPO4的配方迭代。
Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials探索多保真度机器学习力场，旨在以较低计算成本获得接近DFT精度的正极材料模拟结果。对LMFP的意义在于：锰引入后的晶格畸变、锂离子迁移路径与锰溶出机制复杂，高精度力场可模拟长期循环下的结构演化，为正极厂设计包覆与掺杂方案提供原子尺度依据，减少长周期实验验证。
LiFe0.6Mn0.4PO4橄榄石正极的合成与表征研究发表，针对新型锂聚合物电池应用。该研究给出中锰配方的合成条件与电化学表征数据，属于LMFP量产主流配方区间的直接参考。对正极环节的影响：中锰配方在能量密度与结构稳定性之间取平衡，此类研究可帮助正极厂优化烧结温度、碳包覆量与一次粒径，改善倍率与循环性能，是LMFP从实验室走向量产的基础数据积累。
DFT+U研究LiFePO4的结构、电子、光学与磁性质，以及扩展方法计算橄榄石型正极电子性质与嵌锂电压。LMFP的核心挑战是锰引入后电子导电性下降与电压平台变化。对正极环节的影响：此类计算可预测不同锰含量下的带隙与嵌锂电压，指导正极厂在提高锰含量以提升能量密度与保持导电性之间寻找最优区间，同时为碳包覆与离子掺杂方案提供理论方向。
Covalently Integrated CNT@rGO研究通过共价集成碳纳米管与还原氧化石墨烯，提升锂离子电池导电性与循环稳定性；另有Na-ion与Li-ion可持续性-性能关系的观点文章。对LMFP的影响：碳纳米管与石墨烯复合导电剂可改善LMFP颗粒间的电子网络，缓解锰引入导致的导电性下降；而钠电与锂电的可持续性对比，则提示LMFP需在碳足迹与资源可持续性上建立相对优势，以应对欧洲法规与长期竞争。