Ⅲ-Ⅴ族半导体材料砷化硼（BAs）具有极高的热导率,是提高芯片和锂离子电池等系统热管理效率的绝佳材料。立方砷化硼（c-BAs）虽具有简单的晶格结构,但其热导率的准确值在理论和实验测量角度仍未完全达成一致,特别是缺乏高温场景下的研究。机器学习势函数将第一性原理的计算精度和经典势函数的计算效率相结合,为快速准确预测材料的热导率提供了新的途径。本文提出一种预测热导率的新方法,即采用机器学习势函数,结合晶格动力学与佩尔斯-玻尔兹曼输运方程和分子动力学方法准确预测c-BAs的热导率。主要工作包括:以准确性和可靠性为评价指标,借助机器学习探究不同策略训练原子间势函数的适用场景。被动学习策略依靠人工收集原子构型完成训练过程,流程简单易操作,适用于可以牺牲部分精度换取计算速度的场景;主动学习依靠D-optimality准则和Maxvol算法外推,挑选原子构型完成训练过程,流程复杂耗时,但是精度比被动学习提高近80%,媲美第一性原理计算结果,适用于高度要求准确性和可靠性的场景。应用机器学习原子间势函数计算原子间力常数,计算速度相比第一性原理方法提高5个数量级,并且能够准确预测声子的色散关系。通过机器学习势函数获得不同温度下的原子轨迹,进行声子重整化修正,结合三声子与四声子散射耦合理论探究c-BAs的声子热输运性质。发现温度诱发的声子重整化造成高温下声子频率发生频移,提高声子发生散射过程的概率,从而增强声子散射强度。此外,声子与声子之间的非简谐作用随温度升高而增强,声子与声子之间发生高阶散射过程。二者耦合作用降低了 c-BAs在高温下的热导率。利用考虑各阶声子散射过程的平衡态分子动力学和非平衡态分子动力学方法,基于不同训练策略得到的机器学习势函数,被动学习不适用长时间尺度分子动力学模拟,主动学习能够准确预测c-BAs的热导率。结果表明,高温场景下两种方法预测值基本相符,1100K时预测值分别为84.82±2.11和95Wm-1k-1。常温下热导率的最终计算结果1457±50.98Wm-1K-1与当前实验值900-1300Wm-1K-1符合较好。同时发现高阶声子散射过程在900-1200K时显著降低c-BAs约45%的热导率,在300-800K时对c-BAs热导率的影响几乎可以忽略不计。