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，通过机器学习模型快速预测候选材料的平均电压，再用DFT验证。对LMFP研发的启示在于：锰铁比与掺杂元素的组合空间巨大，传统实验试错成本高，机器学习筛选可大幅缩短开发周期。当前LMFP的电压平台与能量密度仍有提升空间，若引入该框架，可加速高电压LMFP配方的发现。正极材料企业需积累实验数据以训练模型。
Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials，多保真度机器学习力场用于正极材料模拟，可在不同精度间平衡计算成本与准确性。对LMFP的锰溶出模拟而言，机器学习力场可加速锰离子迁移路径与能垒的计算，指导包覆掺杂工艺优化。当前LMFP的锰溶出机理研究以实验为主，计算模拟的引入可从原子尺度解释锰溶出机制，为正极材料企业提供工艺改进方向。
LiFe0.6Mn0.4PO4橄榄石正极合成与表征，用于新型锂聚合物电池。该研究给出锰铁比0.4的LMFP合成路线与电化学性能数据，为量产LMFP的配方设计提供参考。对正极材料从业者而言，锰铁比0.4的LMFP在能量密度与循环寿命间取得平衡，当前量产LMFP的锰铁比多在该区间附近。研究中的合成条件如烧结温度、气氛与保温时间，可作为工艺参数调整的参照。
DFT+U研究LiFePO4电子结构、光学与磁学性质，为磷酸铁锂的电子结构调控提供理论依据。对LMFP的启示在于：锰的引入会改变橄榄石结构的电子态密度与带隙，DFT+U可计算锰铁比对电子结构的影响，指导掺杂元素的选择。当前LMFP的电子导电性较差，碳包覆与掺杂是主要改善手段，DFT+U可为掺杂元素筛选提供理论支撑。
Coulombic efficiency and capacity retention are not universal descriptors of cell aging，指出库仑效率与容量保持率并非电池老化的通用描述符。对正极材料环节的影响是：LMFP的循环寿命评估需结合多种老化指标，单一容量保持率可能掩盖锰溶出与结构退化。正极材料企业在客户认证中需提供多维度老化数据，包括dQ/dV曲线、阻抗谱与锰溶出量，以全面评估LMFP的循环性能。