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，该框架可快速评估不同锰铁比与掺杂元素对LMFP电压平台的影响。传统DFT计算单个组分耗时较长，分层机器学习可先筛选候选组分再精确计算，大幅缩短LMFP配方开发周期。对正极企业而言，该工具可降低实验试错成本，加速锰铁比优化与掺杂元素选择。
量子算法用于开放系统电池正极建模，处理多强耦合Holstein极化子。LMFP中锰的电子结构与极化子行为影响其电导率与锰溶出。该研究为理解LMFP中电子-声子耦合提供新方法，有助于从理论上解释锰溶出机理并指导包覆掺杂设计。当前LMFP锰溶出问题多依赖实验试错，理论工具的介入可提升研发效率。
多保真度机器学习力场用于正极材料，结合高精度DFT与低成本力场模拟，可处理大尺度LMFP颗粒模型。LMFP的循环衰减与颗粒裂纹、相变相关，多保真度力场可模拟充放电过程中的应力分布与相界迁移。该工具对优化LMFP颗粒级配与烧结工艺具有潜在价值，但需实验数据校准。
LiFe0.6Mn0.4PO4橄榄石正极用于新型锂聚合物电池的合成与表征研究，该锰铁比接近LMFP典型配比。研究关注其结构稳定性与电化学性能，为LMFP在聚合物电池中的应用提供基础数据。聚合物电池对正极材料的界面兼容性要求高，LMFP的表面包覆与残碱控制需针对性优化。
Ab Initio Random Structure Searching加速正极材料发现，Text-to-Battery Recipe语言模型自动提取电池配方。前者可探索LMFP新型掺杂结构与相稳定区，后者可从文献中自动提取LMFP合成参数与性能数据，构建数据库。对正极企业而言，语言模型工具可加速竞品专利与文献分析，缩短工艺开发周期。