BatteryMat提出分层机器学习与DFT结合的平均电压筛选框架，用于锂离子正极材料的平均电压预测。对LMFP的意义在于：Mn/Fe比例直接决定电压平台，该框架可在合成前预测不同配比的平均电压，减少实验批次。建议研发团队将其作为配方初筛工具，与扣电实测形成闭环。
多保真度机器学习力场工作面向正极材料，目标是低成本获得接近DFT精度的势函数。LMFP的锂离子迁移与Mn溶出涉及界面与缺陷，力场方法可在较大尺度上模拟循环过程中的结构演化，为包覆层设计提供依据。
扩展方法计算橄榄石型正极的电子性质与嵌锂电压，针对LiFePO4及同类橄榄石结构。LMFP的电子电导率偏低是倍率瓶颈，此类计算可量化掺杂对带隙与电导的影响，指导碳包覆之外的体相改性。
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应用。该配比属于LMFP的典型区间，其合成路线与表征数据可作为工艺参考，尤其是烧结温度与碳源选择对颗粒形貌的影响。
另有工作研究杂化电池材料中的非平衡离子传输，以及库仑效率与容量保持并非普适老化描述符的观点。后者提醒正极厂：LMFP的循环评价不能只看容量保持率，需结合库仑效率与电压衰减综合判断锰溶出程度。