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。该方法可加速正极材料的电压预测与筛选，对LMFP的锰铁比例优化有参考价值。LMFP的电压平台与锰铁比例密切相关，机器学习筛选可缩短配方优化周期，降低实验成本。
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，多保真度机器学习力场用于正极材料。这些方法聚焦正极材料的电子结构与离子传输机理，对理解LMFP的锰溶出与电子电导率有基础意义。LMFP的电子电导率低于LFP，极化子建模可为碳包覆工艺提供理论指导。
LiFe0.6Mn0.4PO4橄榄石正极的合成与表征研究发表，为LMFP的锰溶出抑制提供基础数据。该研究聚焦橄榄石结构LMFP的合成条件与电化学性能，对理解锰溶出机理与包覆掺杂工艺有参考价值。LMFP的锰溶出问题仍是其循环寿命的主要瓶颈，基础研究的推进有助于工艺优化。
DFT+U研究LiFePO4正极的结构、电子、光学与磁性性质，对LMFP的电子结构理解有借鉴意义。DFT+U方法可计算LMFP的电子结构与嵌锂电压，为锰铁比例优化与包覆掺杂设计提供理论依据。LMFP的电子结构计算需考虑锰的强关联效应，DFT+U是常用方法。
Coulombic efficiency and capacity retention are not universal descriptors of cell aging，该研究对LMFP的循环寿命评估有方法论意义。LMFP的循环寿命评估需结合库仑效率与容量保持率，单一指标可能无法全面反映其老化行为。对LMFP材料厂而言，建立多维度循环评估体系是客户验证的关键。