グラフネットワークに基づくシミュレーター(GNS)は、粒子ベースの物理（流体、変形体、顆粒の流れなど）を学習し、未知の幾何学への一般化を可能にしますが、通常は単一の材料タイプの訓練に制限され、異なる材料の挙動を一般化できません。本研究では、GNSモデルが材料パラメータに適応するためのパラメータ効率的な条件付けメカニズムを提案します。特に、初期のメッセージパッシング層が材料特性に敏感であることを示します。この知見に基づき、初期層をターゲットにしたFeature-wise Linear Modulation (FiLM)条件付けメカニズムを開発し、少量のシミュレーショントラジェクトリからトレーニングすることで、高い精度の予測を実現します。また、知られざる凝集力パラメータの特定にも成功し、逆設計やクローズドループ制御におけるGNSの利用を可能にします。