BatteryMat框架结合机器学习和DFT用于锂离子正极平均电压筛选。该框架通过机器学习模型快速预测不同成分正极的平均电压，再用DFT验证，大幅缩短材料筛选周期。对LMFP而言，该框架可用于筛选不同锰铁比和掺杂元素组合的电压平台，加速LMFP的成分优化。当前LMFP的锰铁比优化主要依赖实验试错，机器学习方法可将筛选效率提升数倍。产业界可与学术团队合作，建立LMFP专用数据集。
Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials，以及Accelerating Cathode Material Discovery through Ab Initio Random Structure Searching。多保真度机器学习力场可兼顾计算精度和效率，用于正极材料的分子动力学模拟。Ab Initio随机结构搜索可发现新的正极结构。对LMFP而言，这些方法可用于研究锰溶出的微观机制和掺杂对结构稳定性的影响，为包覆和掺杂工艺提供理论指导。
DFT+U研究LiFePO4正极材料的结构、电子、光学和磁性性质。该研究为LiFePO4提供了完整的DFT+U计算基准，包括带隙、磁矩和嵌锂电压。LMFP的DFT计算可在此基础上加入锰的3d轨道，研究锰掺杂对电子结构和电压的影响。DFT+U的U值选择对锰体系尤为关键，该研究的U值标定方法可为LMFP计算提供参考。
LiFe0.6Mn0.4PO4橄榄石正极的合成与表征研究，针对新型锂聚合物电池应用。该研究合成了锰铁比4:6的LMFP材料，并应用于锂聚合物电池。锂聚合物电池的界面特性与液态电池不同，LMFP的锰溶出在聚合物电解质中可能得到抑制。该研究的合成方法包括溶胶凝胶法和水热法，表征数据包括XRD、SEM和电化学性能。产业界可参考其合成条件优化LMFP的烧结工艺。
Covalently Integrated CNT@rGO用于提升导电性和循环稳定性。该研究将碳纳米管与还原氧化石墨烯共价集成，用于提升正极材料的导电性和循环稳定性。LMFP的导电性较差，碳包覆和导电剂复配是提升倍率性能的关键。CNT@rGO的共价集成方案可能优于传统碳黑，可在LMFP的碳包覆工艺中引入。该研究的循环稳定性数据可为LMFP的导电剂选择提供参考。