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高通量筛选；多保真度机器学习力场用于正极材料，可在保持DFT精度的同时降低计算成本。对LMFP研发而言，这类框架可快速评估不同锰铁比、掺杂元素组合的平均电压与结构稳定性，把配方筛选周期从数月压缩到数周，工程端可优先验证ML推荐的高潜力配方。
橄榄石正极基础研究方面，LiFe0.6Mn0.4PO4的合成与表征针对新型锂聚合物电池应用，DFT+U研究LiFePO4的结构、电子、光学与磁学性质，扩展方法计算橄榄石型正极的电子性质与嵌锂电压。这些工作为理解Mn引入后的电压平台、电子结构与锂离子迁移路径提供依据，有助于在LMFP中通过掺杂与包覆调控Mn/O配位环境，抑制锰溶出并稳定4.1V平台。
量子算法用于开放体系电池正极，通过建模多个强耦合Holstein极化子，探索电子—声子耦合对正极性能的影响；从头算随机结构搜索加速正极材料发现。前者对理解LMFP中极化子传输与电子电导率有潜在价值，后者可用于寻找新的橄榄石型或锰基正极结构。工程端短期难以直接应用，但可作为3—5年技术储备跟踪。
界面与老化研究方面，共价集成CNT@rGO提升导电性与循环稳定性，库仑效率与容量保持率并非通用老化描述符。LMFP电子电导率偏低，碳包覆与导电网络设计是关键；CNT@rGO共价集成方案若迁移至LMFP，有望同时改善倍率与循环。老化描述符研究提示，评估LMFP寿命不能只看容量保持率，需结合库仑效率、阻抗增长与锰溶出量综合判断。
可持续性视角下，Na-ion与Li-ion电池的可持续性—性能关系对比研究，以及锂金属电池使用可持续电解液介质与多种正极化学的研究，提示正极材料竞争已扩展到碳足迹与资源约束维度。LMFP的锰资源相对丰富、成本低于镍钴，若能在低碳冶炼与回收环节建立优势，有望在可持续性评价中相对三元材料获得加分，但需与钠电在成本维度正面竞争。