近些年来,由于人们对于能源的充分利用和环保意识的提高,热电材料越来越受到政府和研究机构的重视。碲化铅作为一种经典的热电材料以其优异的热电性能得到了广泛地使用,但是碲化铅本身含有含毒性的铅元素会对环境带来污染,因此人们开始寻找碲化铅的替代品,碲化锡与碲化铅在室温下有着相同的化学结构,因此渐渐进入研究者的视野,但是本征碲化锡含有锡空位(1020～1021cm-3)导致其热电性能较差,这就使得我们在微纳尺度上对其进行研究。微纳尺度研究方法有第一性原理的方法和分子动力学模拟方法。第一性原理计算精度高、速度慢;分子动力学模拟方法计算精度低,速度快。并且缺少碲化锡的经验力场,这使得研究陷入困境。为此想到将机器学习的方法引入到研究过程中,通过采集第一性原理数据、机器学习的方法得到碲化锡的机器学习势函数,最终将机器学习势函数用于分子动力学模拟的过程中,这不仅可以弥补碲化锡经验力场的空缺,而且可以使计算结果准确。为此,首先将这一想法应用于硅的计算中,硅作为一种经典的半导体,首先得到硅的机器学习势函数,并且验证机器学习势函数的准确性,从而验证此方法的可行性。收集了硅在不同温度下的第一性原理分子动力学的数据,总共收集到了45089帧数据集,最终得到了其机器学习势函数,紧接着验证了能量和力预测结果、体系是否稳定、声子色散曲线拟合和热导率拟合,之后发现机器学习势函数的结果能够复现出第一性原理的计算结果,机器学习势函数的热导率为140.3W/m K,比第一性原理结果145.3W/m K相比较误差不足5%。最后,使用同样的思路得到了碲化锡的机器学习势函数,采集到7922帧数据集,同样验证了能量和力预测结果、体系是否稳定、声子色散曲线拟合和热导率拟合,机器学习势函数的热导率为4.825W/m K,而第一性原理结果5.151W/m K。