BatteryMat分层筛选框架：该工作提出分层机器学习与DFT结合的框架，用于锂离子正极平均电压筛选。背景是正极成分空间巨大、纯DFT计算成本高。对LMFP的影响是：可将Mn/Fe比例、掺杂元素与电压平台建立映射，快速筛出高电压且结构稳定的配方，减少实验批次，但需用实测电压与循环数据校准模型。
多保真度机器学习力场：Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials聚焦正极材料的力场构建。背景是分子动力学模拟精度与成本难以兼顾。对正极材料环节的影响是：可更准确模拟LMFP充放电过程中的体积变化与离子迁移，为抑制畸变与锰溶出的掺杂设计提供依据，缩短从论文到量产的转化路径。
橄榄石型LMFP合成表征：LiFe0.6Mn0.4PO4橄榄石正极的合成与表征工作面向新型锂聚合物电池应用，另有DFT+U研究LiFePO4的结构、电子、光学与磁性质，以及扩展方法计算橄榄石型正极的电子性质与嵌锂电压。背景是LMFP电压滞后与电子导电性差的机理仍需厘清。对正极材料环节的影响是：为碳包覆与掺杂工艺提供理论依据，帮助企业优化包覆层厚度与掺杂位点，提升首效与倍率性能。
结构搜索加速发现：Accelerating Cathode Material Discovery through Ab Initio Random Structure Searching以从头算随机结构搜索加速正极材料发现。背景是新结构正极的实验探索周期长。对LMFP从业者的影响是：该方法可辅助寻找LMFP的稳定表面与界面结构，指导包覆材料选择，但短期对量产工艺的直接贡献有限，更多是中长期配方储备。