物体の変形をシミュレートすることは、ロボティクスや製造、構造力学を含む多くの科学分野において重要な課題です。従来のメッシュベースの物理シミュレーターに代わる有望な手法として、学習型グラフネットワークシミュレーター（GNS）が挙げられます。これらのシミュレーターは、高速かつ正確なシミュレーションが要求される応用に特に適している。ただし、既存のGNSは単一ステップの観測に依存しており、時間的文脈を利用する能力が制限されている。本研究では、メッシュベースのシミュレーションを軌道レベルのメタ学習問題として定式化し、条件付きニューラルプロセスを用いて未知のシミュレーションシナリオに迅速に適応する手法を提案しています。このアプローチは、動作原則を使用して、高速で安定かつ正確なシミュレーションを可能にし、M3GNという名称で知られる新しいメソッドを開発しました。結果として、従来のGNSよりも高いシミュレーション精度を実現しつつ、実行時間を大幅に削減しています。