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，多保真度机器学习力场用于正极材料。背景是正极配方空间巨大、传统试错成本高。对正极材料环节的影响：LMFP的Mn/Fe比例与掺杂元素组合可通过高通量计算预筛，缩短从配方到中试的周期，正极厂建立材料计算团队的价值上升。
扩展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结构电子光学磁性。背景是橄榄石体系电压平台与电子结构强相关。对正极材料环节的影响：LMFP的电压平台提升依赖Mn含量与局域结构调控，计算结果可指导锰位掺杂比例与烧结气氛设定，减少中试批次浪费。
LiFe0.6Mn0.4PO4橄榄石正极的合成与表征用于新型锂聚合物电池，非平衡离子传输研究混合电池材料。背景是LMFP在聚合物电解质体系中的传输行为与液态不同。对正极材料环节的影响：固态/聚合物电池配套的锰基材料需重新优化粒径与包覆，星恒电源5万吨固态电池配套锰基材料项目即为产业化响应，正极厂需提前积累固态体系下的界面数据。
共价集成CNT@rGO提升导电性与循环稳定性，库仑效率与容量保持率并非普适老化描述符。背景是碳包覆与导电网络是LMFP倍率性能的关键。对正极材料环节的影响：CNT@rGO类共价复合导电剂为LMFP的碳包覆工艺提供新路径，但老化描述符的争议提示正极厂在与客户对接循环数据时需明确测试协议，避免指标口径不一致导致定点误判。
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。背景是文献与专利中的配方数据分散。对正极材料环节的影响：配方数据结构化可加速LMFP包覆掺杂工艺的知识复用，正极厂可将内部实验数据与文献库打通，提升工艺开发效率。