Proceedings of the International scientific and practical conference ―Development of Science and Education‖ (January 16-18, 2026) / Publisher website: www.naukainfo.com. – Vienna, Austria, 2026. – 207 p.

42 Стандартні методи калібрування є недостатніми для МЕМС та КГ- інтерфейсів, оскільки вони не враховують складні нелінійні ефекти: температурний гістерезис, перехресну чутливість вищих порядків та дрейф нуля від коливань напруги живлення під час маневрів. Для вирішення проблеми пропонується інтеграція радіально-базисних нейромереж (RBF-NN) безпосередньо в мікроконтролер. Завдяки високій апроксимаційній здатності та обчислювальній ефективності, RBF-NN компенсують до 95% похибок акселерометра та 88% гіроскопа, наближаючи характеристики бюджетних сенсорів до тактичного рівня [6]. Використання навчання з підкріпленням (Deep Reinforcement Learning) дозволяє оптимізувати енерговитрати шляхом динамічного керування частотою опитування та точністю вимірювань залежно від режиму польоту (економний режим при зависанні, максимальна продуктивність при маневруванні) [1]. Пропонована методологія проєктування На основі проведеного аналізу, пропонується покрокова методологія розробки енергоефективного сенсорного інтерфейсу для БПЛА. Етап 1: Розширене схемотехнічне моделювання На цьому етапі використовується модифікована модель MOSFET [5]:  проводиться екстракція параметрів R S та R D для обраного технологічного процесу;  виконується ітераційний розрахунок робочих точок транзисторів у складі кільцевого генератора;  оптимізується геометрія транзисторів (W/L) для забезпечення необхідної частоти генерації з урахуванням падіння напруги на паразитних опорах. Етап 2: Синтез асиметричної топології Розробка схеми КГ з використанням асиметричних інверторів. Метою є максимізація чутливості до вимірюваного параметра (наприклад, ємності МЕМС) при мінімізації чутливості до температури та напруги живлення. Використовуються методи лінеаризації характеристики на апаратному рівні [2]. Етап 3: Інтеграція цифрового блоку з ML-ядром