LiFe0.6Mn0.4PO4橄榄石正极合成与表征研究，Mn含量40%的LMFP材料在新型锂聚合物电池中应用。该研究给出LMFP合成工艺参数（烧结温度、气氛、碳包覆量）与电化学性能对应关系，Mn含量40%是LMFP兼顾能量密度与循环性能的典型比例，锰含量过高（如80%）虽提升电压平台但锰溶出加剧。对正极材料厂而言，该研究为LMFP组分设计提供实验参照，碳包覆量与烧结温度是工艺放大关键参数。
BatteryMat机器学习+DFT框架用于正极平均电压筛选，可加速LMFP组分设计。传统LMFP组分优化依赖试错实验，周期长、成本高，机器学习力场可在原子尺度预测嵌锂电压与结构稳定性，缩短研发周期。Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials推进多精度机器学习力场，结合DFT精度与机器学习速度，为LMFP锰铁比例与掺杂元素筛选提供高效工具。
CNT@rGO共价复合提升导电性与循环稳定性，为LMFP碳包覆工艺提供新思路。LMFP电子电导率较低（约10^-9 S/cm），需通过碳包覆提升导电性，CNT@rGO共价复合构建三维导电网络，可降低碳包覆量（提升压实密度）同时维持导电性。对LMFP而言，碳包覆量与压实密度存在权衡，该研究为低碳包覆高导电LMFP提供路径。
DFT+U研究LiFePO4电子结构、光学与磁性质，为LMFP电压平台调控提供理论支撑。LMFP电压平台约4.1V，较LFP高0.7V，DFT+U可计算锰铁比例对电压平台的影响，指导组分设计。Quantum Algorithm for Open-System Battery Cathodes建模多强耦合Holstein极化子，为非平衡离子传输研究提供新方法，对LMFP倍率性能优化有理论意义。