Óxidos de alta entropia (HEOs) são uma classe emergente de materiais com diversas aplicações, por exemplo, conversão de energia e tecnologias de armazenamento, que ganharam interesse significativo devido à sua estrutura única, estequiometria complexa e efeito sinérgico relacionado à alta entropia. Apesar do crescente número de estudos relatados relacionados aos HEOs nos últimos anos, ainda faltam explicações sobre suas propriedades. No presente trabalho é proposta uma nova metodologia de estudo sobre a formação de soluções sólidas de HEOs baseada em aprendizado de máquina. Inicialmente dados de HEOs estáveis de fase única e suas composições foram minerados manualmente da literatura. Uma vez coletados os dados brutos a etapa de “feature engineering” foi realizada com base em descritores baseados em propriedades físicas, químicas e termodinâmicas dos átomos e dos óxidos que compõem o sistema. Foram então treinados quatro modelos de aprendizado de máquina, duas arquiteturas de redes neurais artificiais diretas (“Multi Layer Percepton” e “Extreme Learning Machine”) e duas arquiteturas de árvore de decisão (“Random Forest” e “Gradient Boosting”). Uma vez treinados os modelos, a próxima etapa realizada foi um estudo de análise combinatória de cátions. Finalmente, um estudo de síntese de materiais com a estrutura cristalina fluorita foi realizado e uma versão adaptada do método de síntese hidrotermal foi executada, a difração de raios X foi utilizada nas amostras sintetizadas para verificar se a fase fluorita prevista pelos modelos foi alcançada. Os resultados teóricos obtidos foram modelos com acurácias próximas de 90% com intervalos de confiança com limite inferior próximos de 75%. Em relação à parte experimental, duas composições inéditas sugeridas pelos modelos como fluorita foram sintetizadas: (Ce,La,Nd,Mg,Zn)O e (Ce,La,Nd,Mg,Al)O. O padrão de difração de raios X confirmou a fase fluorita em ambos os casos.