LiFe0.6Mn0.4PO4橄榄石正极的合成与表征研究，用于新型锂聚合物电池。该研究采用Mn:Fe=6:4的典型LMFP配比，系统表征了材料的晶体结构、形貌与电化学性能。对产业界的参考价值在于：研究给出的合成温度、烧结时间与碳包覆量等参数，可以作为正极厂工艺优化的起点。尤其是锂聚合物电池体系对正极材料的界面要求与液态电解液不同，LMFP在该体系中的表现数据可为新应用场景提供依据。
扩展DFT方法计算橄榄石型正极材料的电子性质与嵌锂电压的研究，解决了传统DFT+U方法在橄榄石体系中参数依赖性强的问题。LMFP的电压平台由Mn与Fe的氧化还原对决定，掺杂元素会改变局域结构与电子态。该研究方法可以更准确地预测不同掺杂方案对电压与带隙的影响，帮助正极厂在实验前筛选掺杂元素与比例，缩短研发周期。对LMFP的锰溶出问题，理论计算也可从结构稳定性角度给出掺杂方案的优先级。
BatteryMat框架结合分层机器学习与DFT进行锂离子正极材料平均电压筛选。该框架的价值在于高通量筛选：LMFP的成分空间包括Mn/Fe比例、掺杂元素种类与比例、碳包覆量等多个维度，传统实验试错成本高。机器学习辅助筛选可以快速锁定有潜力的成分组合，再通过实验验证。对正极厂而言，这类工具可以降低LMFP新配方的开发成本，尤其是在寻找兼顾能量密度与循环寿命的折中方案时。
Covalently Integrated CNT@rGO用于提升锂离子电池导电性与循环稳定性的研究。LMFP的电子电导率约为10^-9 S/cm量级，低于LFP，需要高效的导电网络。碳纳米管与还原氧化石墨烯的共价复合结构，可以在低添加量下形成三维导电网络，减少碳包覆对能量密度的稀释。对LMFP正极厂的实际意义是：在碳包覆工艺中引入复合导电剂，可能在不增加碳含量的前提下提升倍率性能，但需要评估分散工艺与成本。
Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials的研究，针对正极材料的机器学习力场开发。多保真度力场可以在保持DFT精度的同时降低计算成本，用于模拟LMFP在充放电过程中的结构演化与离子迁移。对理解LMFP的锰溶出机制与相变行为有直接帮助。正极厂若能与计算团队合作，利用此类力场模拟循环过程中的结构退化，可以更有针对性地设计包覆与掺杂方案，减少实验迭代次数。