传统的机器学习应用，如光学字符识别，源于无法明确编程让计算机执行常规任务。在这种情况下，学习算法通常仅从大规模数据集中存在的证据中推导出模型。然而，在某些科学领域，获取大量数据是一种不切实际的奢望；但基于先前的科学发现，已经存在该领域的显式模型。本文介绍了一种新的机器学习方法，该方法能够利用先前的科学发现来提高对科学模型的泛化能力。我们展示了其在预测超导量子设备上哈密顿量的整个能量谱方面的有效性，这是当前量子计算机校准中的关键任务。我们的准确性超过了现有最先进方法20%以上。因此，我们的方法证明了人工智能可以通过“站在巨人的肩膀上”而得到进一步提升。