Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials研究提出多保真度机器学习力场方法用于正极材料模拟。背景是正极材料配方与掺杂组合空间巨大，传统DFT计算成本高、实验试错周期长。对LMFP的影响是：该方法可用于锰铁比、掺杂元素与包覆方案的快速筛选，缩短从配方到中试的周期，但需与实测锰溶出、压实密度与循环数据闭环验证。
多保真度方法的核心是用少量高精度DFT数据校准大量低成本计算，构建可迁移的力场模型。背景是正极材料中锂离子迁移、氧释放与相变涉及多尺度模拟。对LMFP的影响是：锰溶出与Jahn-Teller畸变是LMFP的核心失效机制，机器学习力场若能准确描述锰氧键与界面反应，可指导包覆层与掺杂元素选择，降低实验试错成本。
该研究面向正极材料通用框架，未专门针对LMFP。背景是学术界对高镍、富锂锰基与磷酸盐体系均有模拟需求。对LMFP从业者的影响是：可将该框架迁移至LMFP的锰铁比优化与表面包覆设计，但需注意磷酸盐体系电子导电性差、需联合导电网络模拟，单一力场难以覆盖全部工程问题。
从工程落地角度看，机器学习力场目前仍处于论文与实验室阶段，距离产线配方指导有距离。背景是正极材料企业更依赖中试线与电芯验证数据。对LMFP的影响是：短期该成果对产能与报价无直接影响，但中期若与高通量实验平台结合，可加速LMFP掺杂与包覆方案的迭代，头部企业可关注与高校合作建立计算加实验的闭环能力。