BatteryMat提出分层机器学习与DFT框架，用于锂离子正极平均电压的高通量筛选；Toward Multi-Fidelity Machine Learning Force Field研究面向正极材料的多保真度机器学习力场。背景是LMFP的锰铁比与掺杂组合空间巨大，传统试错周期长。对研发的具体影响：上述框架可将电压平台预测误差压缩至数十毫伏量级，帮助正极厂在Mg、Al、Ti、V掺杂方案中快速排序，缩短从配方到中试的周期。
扩展从头算方法精确给出橄榄石型正极的电子结构与嵌锂电压，DFT+U研究LiFePO4的结构、电子、光学与磁性质。背景是LMFP电压平台与锰溶出机理依赖准确的电子结构描述，标准DFT对Fe、Mn 3d电子强关联处理不足。对工艺的影响：更准确的电压与带隙计算可指导碳包覆与掺杂设计，例如通过价态调控抑制Mn2+溶解，为高温循环改善提供理论依据。
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，给出锰铁比6:4的合成路线与电化学数据。背景是6:4至8:2是LMFP主流配方区间，锰比例提升可提高电压但加剧溶出。对正极厂的具体影响：该研究为锰铁比选择提供实验参照，配合碳包覆与掺杂工艺，可在能量密度与循环寿命之间寻找平衡点，指导中试线配方调整。
Text-to-Battery Recipe用语言模型自动提取与检索电池配方，Coulombic efficiency and capacity retention are not universal descriptors of cell aging讨论库仑效率与容量保持率并非普适老化描述符，另有观点比较钠电与锂电的可持续性-性能关系。背景是正极研发数据分散在文献与内部报告中。对研发管理的影响：配方自动提取可加速LMFP工艺参数（碳源比例、烧结温度、保温时间）的知识库建设，而老化描述符的再审视提示正极厂在客户验证中需补充dQ/dV与阻抗谱等多维指标。