고출력 펄스 컨버터 (high-power pulsed converters)의 비계획적 트립 (unscheduled trips)은 대형 가속기 시설에서 가동 중단 (downtime)을 일으키는 주요 원인입니다. Spallation Neutron Source (SNS)에서 고전압 컨버터 변조기 (High Voltage Converter Modulators, HVCMs)는 빔 시간 손실 (lost beam time)의 지속적인 두 번째 주요 원인입니다. 각 HVCM 펄스는 전류, 전압, 자기 선속 (magnetic fluxes)을 아우르는 센서 채널을 통해 기록되며, 이들의 상호 작용은 시스템의 작동 상태를 인코딩합니다. 결함 전조 (fault precursors)는 이러한 채널 전체에 걸쳐 균일하게 나타나지 않습니다. 결함 유형에 따라 개별 신호의 시간적 구조 (temporal structure)를 변경하거나, 채널 간의 통계적 의존성 (statistical dependencies)을 변화시키거나, 혹은 두 가지 모두를 변화시킬 수 있습니다. 기존의 딥러닝 (deep-learning) 접근 방식은 일반적으로 표준 컨볼루션 파이프라인 (convolutional pipelines)을 사용하여 다채널 신호를 처리하는데, 이는 첫 번째 레이어부터 시간적 연산 (temporal operations)과 채널 간 연산 (cross-channel operations)을 얽히게 만들어 모델이 채널 독립성 (channel independence)이나 구조화된 채널 간 상호 작용 (structured inter-channel interaction)을 표현할 명시적인 메커니즘을 갖지 못하게 합니다. 우리는 아키텍처의 귀납적 편향 (architectural inductive bias), 특히 시간적 필터링 (temporal filtering)과 채널 간 혼합 (cross-channel mixing)의 순서가 이러한 유형의 데이터에 대한 탐지 성능에 핵심적인 역할을 한다고 가설을 세웠습니다. 이를 테스트하기 위해, 우리는 이 두 연산이 적용되는 순서를 변경하고, 펄스당 적응형 채널 재가중치 (per-pulse adaptive channel reweighting)가 민감도를 더욱 향상시키는지 조사합니다. SNS의 4개 모든 서브시스템 (RFQ, DTL, CCL, SCL)에 걸친 공개 HVCM 데이터셋으로 평가한 결과, 우리의 최적 변형 모델은 통합 AUC-PR 0.816 및 AUC-ROC 0.934를 달성하였으며, 대부분의 서브시스템과 6개 결함군 중 5개에서 최신 기술 (state of the art)을 능가했습니다. 절제 연구 (Ablations)를 통해 세 개의 지배적인 입력 채널을 식별하였으며, 결함군별 성능을 전조가 개별 채널의 진폭 변화 (amplitude shifts)로 나타나는지, 아니면 표면화되기 위해 채널 간 공동 표현 (joint channel representations)을 필요로 하는 더 미묘한 패턴으로 나타나는지와 연결 지었습니다.