그래프 네트워크 시뮬레이터 (Graph Network Simulators, GNSs)는 복잡한 물리 기반 시뮬레이션(physics-based simulation)을 위한 강력한 대리 모델(surrogates)로 등장하였으며, 고유한 미분 가능성(differentiability)과 전통적인 솔버(solvers) 대비 수십 배 빠른 속도를 제공합니다. 그러나 GNS는 일반적으로 강성(stiffness)이나 점성(viscosity)과 같은 기저의 재질 파라미터(material parameters)에 접근할 수 있다고 가정하며, 이는 실제 실험 환경에서의 활용도를 심각하게 제한합니다. 최근의 메타 학습 (meta-learning) 접근 방식들은 메쉬 궤적(mesh trajectories)으로부터 속성을 추론함으로써 이러한 파라미터 의존성 문제를 해결하려 시도하고 있으나, 관찰된 장면으로부터 메쉬를 재구성하는 것은 매우 어려운 과제입니다. 본 연구에서는 추론 과정에서 학습된 시뮬레이터를 보지 못한 물리적 속성에 적응시키기 위해, 포인트 클라우드 (point clouds)에 인컨텍스트 학습 (in-context learning)을 적용하는 새로운 프레임워크인 PEACH (Point Cloud Encoding for Accurate Context Handling)를 소개합니다. 우리의 접근 방식은 새로운 시공간 포인트 클라우드 시퀀스 인코더 (spatio-temporal point cloud sequence encoder)와 시뮬레이션 충실도(fidelity)를 향상시키기 위한 두 가지 형태의 보조 감독 (auxiliary supervision)에 의존합니다. 우리는 PEACH가 도전적인 동적 장면(dynamic scene)에서 정확한 제로샷 심투리얼 (zero-shot sim-to-real) 전이가 가능하다는 것을 입증합니다. 시뮬레이션 장면에 대한 실험 결과, PEACH는 예측 정확도 측면에서 메쉬 기반 베이스라인 (mesh-based baselines)보다 뛰어난 성능을 보였으며, 실제 환경 배포에 훨씬 더 실용적임을 보여주었습니다.