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。该方法可在配方早期快速预测电压平台，对LMFP的锰铁比优化具有直接价值——锰比例提升电压平台但加剧锰溶出，机器学习筛选可在电压与稳定性间寻找帕累托前沿，缩短实验迭代周期。
Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials探索多保真度机器学习力场，将高精度DFT与低精度数据融合以降低计算成本。对LMFP而言，锰基体系的电子结构计算成本较高，多保真度力场可加速掺杂元素（镁、铝、钒）对结构稳定性影响的筛选。
Accelerating Cathode Material Discovery through Ab Initio Random Structure Searching以从头算随机结构搜索加速正极发现，可在未知化学空间中寻找新橄榄石结构。对LMFP从业者而言，该方法有助于发现锰铁比之外的多元磷酸盐体系，为下一代高电压锰基正极提供候选。
DFT+U研究LiFePO4的结构、电子、光学与磁性，以及扩展方法计算橄榄石型正极的电子性质与嵌锂电压，为LMFP的计算提供方法学基础。橄榄石结构的嵌锂电压计算精度直接影响配方设计，扩展方法对锰基体系的强关联电子处理更为准确。
Text-to-Battery Recipe提出基于语言模型的电池配方自动提取与检索协议，可从文献中自动抽取配方参数。对正极材料研发而言，该工具可加速LMFP包覆掺杂工艺的文献数据整合，缩短从专利与论文到实验方案的转化周期。