BatteryMat框架结合分层机器学习和DFT用于锂离子正极平均电压筛选，多保真度机器学习力场用于正极材料。该框架的核心价值在于将DFT计算的高精度与机器学习的低计算成本结合，实现正极材料平均电压的高通量筛选。对LMFP企业而言，锰铁比例对电压平台的影响可通过该框架快速预测，减少实验试错成本。当前LMFP的锰铁比优化主要依赖实验经验，机器学习辅助可将配方开发周期从数月缩短至数周，但需注意训练数据的质量对预测精度的影响。
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。该研究聚焦锰铁比0.4/0.6的橄榄石正极，与当前LMFP的主流配方接近。锂聚合物电池对正极材料的界面稳定性要求较高，该研究为LMFP在聚合物固态电池中的应用提供了基础数据。对LMFP企业而言，聚合物固态电池的低温性能优于硫化物体系，与LMFP的电压平台匹配度较好，可作为LMFP切入固态电池的优先方向。
DFT+U研究LiFePO4正极材料的结构、电子、光学和磁性性质，扩展的电子性质与嵌锂电压计算用于橄榄石型锂离子正极材料。DFT+U方法通过引入 Hubbard U 参数修正过渡金属氧化物的电子结构，对LMFP的锰溶出机理研究具有指导意义。对LMFP企业而言，DFT计算可预测不同包覆材料对锰溶出的抑制效果，减少包覆工艺的试错次数，但计算模型需结合实际电解液的溶剂化环境，否则预测结果可能偏离实际。
量子算法用于开放系统电池正极的多强耦合Holstein极化子建模，Coulombic efficiency和capacity retention并非电池老化的通用描述符。量子算法在电池材料建模中的应用尚处早期，但Holstein极化子模型对理解LMFP中电子-声子耦合导致的电压滞后具有理论价值。对LMFP企业而言，基础研究的突破短期内难以直接转化为工艺改进，但长期看可指导掺杂元素的选择，减少盲目实验。
Text-to-Battery Recipe基于语言模型的电池配方自动提取，Accelerating Cathode Material Discovery through Ab Initio Random Structure Searching。语言模型在电池配方提取中的应用可加速文献数据的结构化，为正极材料的机器学习筛选提供训练数据。对LMFP企业而言，配方数据的结构化是AI辅助研发的基础，但企业内部实验数据的标准化和积累同样关键，否则语言模型无法从碎片化数据中提取有效规律。