비선형 동역학 시스템(Nonlinear dynamical system)이 정상 범위를 벗어나는 시점을 탐지하는 것은 심장학부터 기후 및 에너지 시스템에 이르기까지 여러 과학 분야에서 반복되는 문제입니다. 우리는 리저버 컴퓨팅(Reservoir computer)의 출력 가중치(Output weights)에 대한 매우 간단한 Kolmogorov--Smirnov 검정이, 고전적인 비선형 측정 방식과 현대적인 딥러닝(Deep-learning) 탐지기 모두에게 보이지 않는 변화를 포함하여 비선형 동역학 시스템의 체제 변화(Regime changes)에 매우 민감하게 반응한다는 것을 보여줍니다. 우리 알고리즘의 핵심 아이디어는 리저버 컴퓨팅의 판독층(Readout layer)을 입력 동역학(Input dynamics)의 표현(Representation)으로 취급하는 것입니다. 입력 매핑(Input mapping)과 리저버(Reservoir) 자체는 무작위적이고 고정되어 있기 때문에, 학습된 출력 가중치는 현재 다루고 있는 시스템을 인코딩하는 유일한 객체입니다. 우리는 이 지문(Fingerprint)을 판독 가중치의 경험적 누적 분포 함수(Empirical cumulative distribution function)로 요약하고, 이를 훈련 데이터로부터 구축된 참조 밴드(Reference band)와 비교합니다. 이 비지도(Unsupervised), 온라인(Online) 탐지기는 시각적으로 구분할 수 없는 두 개의 나비 모양 어트랙터(Butterfly-shaped attractors)를 구별하고, 가장 강력한 딥러닝 베이스라인보다 7배 더 작은 파라미터 드리프트(Parameter drifts)를 해결하며, 신호보다 4자릿수(Four orders of magnitude) 낮은 노이즈를 식별하고, 임상 ECG(심전도) 기록에서 심실 세동(Ventricular flutter)을 찾아냅니다. 더 넓게는, 우리는 학습된 출력 가중치를 단순히 예측을 위한 수단이 아니라, 그 자체로 학습된 시스템의 표현으로 취급하는 리저버 컴퓨팅에 대한 관점을 확립하고자 합니다.