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；Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials提出多保真度机器学习力场。背景是正极配方空间巨大、传统试错成本高。对LMFP研发的影响：平均电压筛选可直接用于Mn/Fe比例优化，机器学习力场可模拟锰溶出与相变路径，正极厂可将计算筛选与少量实验验证结合，把LMFP配方迭代从数月压缩至数周。
量子算法建模多强耦合Holstein极化子用于开放体系电池正极；扩展方法计算橄榄石型正极电子性质与嵌锂电压；DFT+U研究LiFePO4结构、电子、光学与磁性能。背景是橄榄石型材料的电子结构决定电压平台与导电性。对LMFP的影响：这些方法可量化Mn引入后电子结构变化与电压平台提升幅度，为LMFP电压从3.4V提升至4.0V区间提供理论依据，指导掺杂与包覆元素选择。
LiFe0.6Mn0.4PO4橄榄石正极的合成与表征用于新型锂聚合物电池；非平衡离子传输在混合电池材料中的研究。背景是Mn/Fe比0.4/0.6是LMFP典型配方。对正极材料环节的影响：该配方的合成与表征数据可为量产LMFP的烧结温度、碳包覆量提供参考，非平衡离子传输研究则有助于理解LMFP倍率性能瓶颈，指导一次颗粒粒径设计。
库仑效率与容量保持并非通用老化描述符；Covalently Integrated CNT@rGO提升导电性与循环稳定性；Ab Initio随机结构搜索加速正极材料发现。背景是正极老化评价与导电网络设计是LMFP实用化关键。对LMFP工艺的影响：CNT@rGO共价复合为LMFP碳包覆提供高导电、低添加量方案，有望提升压实密度；老化描述符的修正提醒正极厂在LMFP循环测试中需结合锰溶出与阻抗增长综合评估，而非仅看容量保持率。