El crecimiento de la red neuronal (GNG) ha sido ampliamente utilizado en mapeo topológico, agrupamiento y tareas no supervisadas. Comienza desde dos nodos aleatorios y crece hasta formar una red topológica que cubre todos los datos. El tiempo requerido para el crecimiento depende de la cantidad total de datos y de los nodos actuales de la red. Para acelerar el crecimiento, introducimos un novedoso método de procesamiento por lotes distribuido para extraer la distribución aproximada llamado Crecimiento de la Red Neuronal en Aprendizaje por Lotes Distribuido (DBL-GNG). Primero, en lugar de usar un bucle for en el GNG estándar, adoptamos un enfoque de aprendizaje por lotes para acelerar el aprendizaje. Para hacer esto, reemplazamos la mayoría de las ecuaciones estándar con cálculos de matrices. Luego, en lugar de comenzar con dos nodos aleatorios, comenzamos con múltiples nodos en diferentes áreas de distribución. Además, también proponemos agregar múltiples nodos a la red en lugar de agregarlos uno por uno. Finalmente, introducimos un método de corte de bordes para reducir los enlaces no importantes entre nodos y obtener una mejor red de agrupación. Demostramos DBL-GNG en múltiples conjuntos de datos de referencia. A partir de los resultados, DBL-GNG es al menos 10 veces más rápido que otros métodos de GNG. También demostramos la escalabilidad de DBL-GNG implementando un proceso de aprendizaje por lotes a múltiples escalas en él, llamado MS-DBL-GNG, que obtiene resultados de convergencia rápidos con éxito. Además, también demostramos la adaptación dinámica de datos de DBL-GNG a datos de nube de puntos en 3D. Es capaz de procesar y mapear nodos topológicos en objetos de nube de puntos en tiempo real.