在众多科学领域中，准确地模拟物理过程至关重要，其应用范围涵盖从机器人学到材料科学等多个方向。

传统的基于网格（mesh-based）模拟方法虽然精度较高，但计算成本昂贵，并且通常需要已知的物理参数（如材料属性）。相比之下，数据驱动的方法——例如图网络模拟器（Graph Network Simulators, GNSs）——在推理速度上具有明显优势，但存在两个主要局限： 首先，即便物理参数发生微小变化，GNS也必须从头重新训练； 其次，每一组新的参数设置都需要耗费大量人力进行数据采集。 这种方式效率低下，因为不同参数的模拟往往共享潜在的共性结构（latent structure）。 为解决上述问题，本文提出通过元学习（meta-learning）来学习这种共享结构，从而实现对新物理参数的快速适应，而无需重新训练。 为此，我们设计了一种新颖的架构：该方法利用条件神经过程（Conditional Neural Processes, CNPs）对图轨迹进行编码，以生成潜在表征（latent representation）。 为减轻随时间累积的误差，我们进一步将CNP与一种新型神经算子（neural operator）架构相结合。 我们在多种具有不同材料属性的**动力学预测任务（dynamics prediction tasks）**上验证了该方法——Meta Neural Graph Operator（MaNGO）——的有效性。实验结果表明，MaNGO在性能上显著优于现有的GNS方法。值得注意的是，MaNGO在未见过的材料属性上，其预测精度几乎接近“理想模型（oracle model）”的表现。