スパikingニューラルネットワーク（SNN）は、生物に類似した挙動を示すモデルであり、リソース制約のあるエッジデバイス上で順序処理タスクをエネルギー効率的に実装する可能性を秘めている。しかし、標準的なGPUを基盤とする商業用エッジプラットフォームはSNNの展開に最適化されておらず、高いエネルギー消費と遅延が課題となっている。一方、アナログ型メモリ内計算（IMC）プラットフォームはエネルギー効率の高い推論エンジンとしての役割を果たすことができるが、高精度A/D変換器（HP-ADC）に伴う莫大なエネルギー消費、遅延および面積要求が、メモリ内計算の利点を相殺する要因となっている。本研究では、センスアンプを1ビットADCとして用いることで従来のHP-ADCを置き換え、ADC不要型IMCアーキテクチャへのSNNの展開を実現するためのハードウェア／ソフトウェア共同設計手法を提案する。本手法は、ハードウェアに配慮した学習を実施することで精度の低下を最小限に抑え、単なる画像分類を越えてより複雑な順序回帰タスクへのスケーラビリティを実現している。光流推定およびジェスチャー認識といった複雑なタスクにおける実験結果から、SNN学習過程においてハードウェアの特性を段階的に強化することで、ADC不要型IMCに伴う非理想性に起因する誤差をモデルが適応し、学習できることが明らかになった。さらに、提案するADC不要型IMCは、HP-ADCを搭載するIMCと比較して、エネルギー消費において2～7倍、遅延において8.9～24.6倍の改善を達成しており、SNNモデルおよびワークロードの種類に応じてその効果が変動する。