BatteryMat提出分层机器学习和DFT框架用于锂离子正极平均电压筛选，Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials探索多保真度机器学习力场，Accelerating Cathode Material Discovery through Ab Initio Random Structure Searching加速正极材料发现。对正极材料环节的影响：机器学习和DFT结合可加速LMFP的锰铁比优化和掺杂元素筛选，降低实验试错成本，建议LMFP企业将计算筛选与实验验证结合，缩短新配方开发周期。
LMFP直接相关研究方面，LiFe0.6Mn0.4PO4橄榄石正极的合成与表征用于新型锂聚合物电池，DFT+U研究LiFePO4正极的结构、电子、光学和磁性性质，extended Hubbard U方法计算橄榄石型正极的电子性质和嵌锂电压。对正极材料环节的影响：DFT+U方法可预测LMFP的嵌锂电压和电子结构，为锰铁比和掺杂元素选择提供理论指导，LiFe0.6Mn0.4PO4的合成表征为LMFP的实验室配方提供参考，建议关注锰位掺杂对电压平台和锰溶出的影响。
老化与性能描述符方面，Coulombic efficiency and capacity retention are not universal descriptors of cell aging指出库仑效率和容量保持率并非普适的电池老化描述符；Covalently Integrated CNT@rGO用于提升锂离子电池导电性和循环稳定性。对正极材料环节的影响：LMFP的循环寿命评价需结合锰溶出、阻抗增长和库仑效率等多维度指标，单一容量保持率不足以反映LMFP的老化行为，建议在客户验证中增加锰溶出和阻抗谱的跟踪测试。
钠电与可持续性方面，Opinion on sustainability-performance relationship: Na-ion batteries versus Li-ion batteries对比钠离子与锂离子电池的可持续性-性能关系；Quantum Algorithm for Open-System Battery Cathodes by Modeling Multiple Strongly Coupled Holstein Polarons with...探索量子算法用于开放系统电池正极。对正极材料环节的影响：钠电在可持续性上具备优势，但在能量密度上仍低于锂电，LMFP需在性能-可持续性平衡上明确自身定位，量子算法等新方法远期可能加速正极材料的理性设计。