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，通过高通量计算缩小候选材料范围。对LMFP而言，锰铁比、掺杂元素与包覆层的组合空间巨大，该框架可加速电压平台与结构稳定性筛选，缩短从配方到扣电验证的周期，但工业端仍需以实测循环与锰溶出数据校准模型。
Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials探索多保真度机器学习力场，旨在以低成本数据预测高精度势能面。该方法可降低LMFP中锰溶出与相变模拟的计算成本，帮助理解锰在循环中的迁移路径，为包覆与掺杂工艺提供机理支撑，但力场精度依赖训练集覆盖度。
Quantum Algorithm for Open-System Battery Cathodes建模多强耦合Holstein极化子，探索量子算法在开放体系正极中的应用。该方向针对极化子与电子耦合的复杂行为，对理解LMFP中极化子诱导的电子局域化与导电性损失有潜在价值，但量子计算硬件尚不成熟，短期难以直接指导量产工艺。
LiFe0.6Mn0.4PO4橄榄石正极的合成与表征研究发表，用于新型锂聚合物电池，锰含量对应LMFP典型配比。研究提供该配比在聚合物体系中的合成窗口与电化学数据，对LMFP在固态聚合物电池中的应用具有参考意义；产业端需关注聚合物电解质与锰基界面的副反应与锰溶出抑制。
DFT+U研究LiFePO4结构、电子、光学与磁性性质，Accurate electronic properties and intercalation voltages of olivine-type Li-ion cathode materials from extended方法提升橄榄石正极电压计算精度。理论计算精度提升有助于理解LMFP电压平台与锰溶出机理，为掺杂改性提供方向；产业端需将计算结果与量产实测对齐，避免实验室指标与量产性能脱节。