LMFP合成研究：LiFe0.6Mn0.4PO4橄榄石正极的合成与表征，应用于新型锂聚合物电池。该研究给出锰铁比0.4:0.6的合成路线与电化学表征，为LMFP的锰铁比优化提供实验依据。对正极材料环节的含义是：锰铁比直接影响电压平台与能量密度，0.4-0.6区间是当前量产主流，研究数据可指导配方微调。
第一性原理计算：DFT+U研究LiFePO4的结构、电子、光学与磁性质，扩展方法计算橄榄石型正极的电子性质与嵌锂电压。计算方法可迁移至LMFP，用于预测锰掺杂后的电压平台变化与电子导电性。对工艺开发的启示是：计算可缩短锰铁比与掺杂元素的筛选周期，减少试错成本。
机器学习加速发现：Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials、BatteryMat框架用机器学习与DFT做平均电压筛选、Ab Initio Random Structure Searching加速正极材料发现。这些方法对LMFP的掺杂配方与包覆层设计有直接应用价值，可加速从实验室到量产的配方迭代。
导电与界面研究：Covalently Integrated CNT@rGO提升导电性与循环稳定性，非平衡离子传输研究混合电池材料。LMFP的痛点之一是电子导电性差与锰溶出，CNT@rGO共价复合的碳包覆思路可提升倍率性能，对LMFP的碳包覆工艺优化有参考意义。
表征与老化认知：Coulombic efficiency and capacity retention are not universal descriptors of cell aging，提示库伦效率与容量保持率并非普适老化指标。对LMFP装车验证的含义是：需结合锰溶出量、阻抗增长与dQ/dV分析综合判断循环衰减，单一指标可能误判LMFP的寿命表现。