一项研究提出BatteryMat框架，结合机器学习和DFT，用于锂离子电池正极材料的平均电压筛选。该方法可快速评估LMFP等材料的电压特性，为高通量筛选掺杂元素提供工具，有望缩短材料开发周期。
DFT+U研究揭示了LiFePO4的电子结构、光学和磁性质，为理解LMFP中Fe/Mn比例对性能的影响提供基础。通过调控Mn含量，可优化电压平台和能量密度，但需注意锰溶出问题。
一项实验研究合成了LiFe0.6Mn0.4PO4橄榄石正极，并应用于锂聚合物电池，展示了LMFP的实际应用潜力。该材料在循环稳定性和倍率性能方面表现良好，为LMFP的产业化提供数据支持。
其他研究关注非平衡离子传输、多保真机器学习力场等，为LMFP的离子扩散机制和原子级模拟提供新方法。这些基础研究有助于理解LMFP的容量衰减机理，指导包覆和掺杂工艺优化。