BatteryMat提出分层机器学习与DFT结合的平均电压筛选框架，可在配方空间内快速预测正极平均电压；Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials则用多保真度力场降低第一性原理计算成本。对LMFP研发的意义是：锰铁比与掺杂组合的筛选周期可从数月压缩至数周，加快配方迭代。
扩展DFT方法精确计算橄榄石型正极的电子性质与嵌锂电压，DFT+U研究LiFePO4的结构、电子、光学与磁性质，为理解锰铁锂中Mn3+/Mn2+能级位置与电压平台提供理论基准。LMFP的电压平台提升依赖Mn含量，但Mn3+的Jahn-Teller畸变与歧化反应是锰溶出的根源，理论计算可指导掺杂元素选择。
LiFe0.6Mn0.4PO4橄榄石正极的合成与表征研究面向新型锂聚合物电池，给出6:4锰铁比的可控合成路径与电化学表征数据。对量产的直接参考是：6:4配比在能量密度与循环稳定性之间取得平衡，适合作为车规LMFP的基准配方，进一步提锰需配套表面包覆与电解液适配。
Covalently Integrated CNT@rGO用于提升导电性与循环稳定性，对应LMFP导电性差的短板；Non-equilibrium Ion Transport in a Hybrid Battery Material研究混合导体中的非平衡离子输运，有助于理解快充工况下的浓差极化。对正极厂而言，碳纳米管与还原氧化石墨烯复合导电网络是可产业化的降内阻方案。
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普适老化描述符，对LMFP的寿命评价体系提出修正需求；Text-to-Battery Recipe用语言模型自动提取电池配方，可加速工艺文档结构化。对工程端的启示是：LMFP的寿命评估需结合锰溶出量与阻抗增长，而非单一容量保持率指标。