BatteryMat框架结合层次化机器学习与DFT，用于锂离子电池正极材料平均电压筛选。该方法可快速评估大量候选材料，加速LMFP等材料的掺杂改性研究，提升开发效率。
多保真机器学习力场用于正极材料，结合DFT数据训练，可准确预测材料性能。该力场有望用于LMFP的分子动力学模拟，研究锰溶出机制，为包覆掺杂工艺提供理论指导。
量子算法用于开放系统电池正极模拟，考虑强耦合Holstein极化子。该研究为理解LMFP中极化子输运提供新视角，有助于优化导电性，提升倍率性能。
其他研究包括CNT@rGO复合提升导电性、LiFe0.6Mn0.4PO4合成与表征等。这些基础研究为LMFP的改性提供新思路，产业界可关注相关成果转化。