Les applications traditionnelles de l'apprentissage automatique, telles que la reconnaissance optique des caractères, sont nées de l'impossibilité de programmer explicitement un ordinateur pour effectuer une tâche routinière. Dans ce contexte, les algorithmes d'apprentissage dérivent généralement un modèle uniquement à partir des preuves présentes dans un ensemble de données massif. Cependant, dans certaines disciplines scientifiques, obtenir une abondance de données est un luxe irréaliste ; il existe cependant un modèle explicite du domaine basé sur des découvertes scientifiques antérieures. Nous présentons ici une nouvelle approche de l'apprentissage automatique qui peut tirer parti des découvertes scientifiques précédentes afin d'améliorer la généralisation sur un modèle scientifique. Nous montrons son efficacité dans la prédiction du spectre énergétique complet d'un hamiltonien sur un dispositif quantique supraconducteur, une tâche cruciale pour le calibrage actuel des ordinateurs quantiques. Notre précision dépasse l'état de l'art actuel de plus de 20 %. Notre approche démontre ainsi comment l'intelligence artificielle peut être davantage renforcée en « se tenant sur les épaules des géants ».