Este documento aborda el problema de la inferencia a bordo para algoritmos de enrutamiento basados en IA en redes de satélites LEO (Órbita Baja de la Tierra) dinámicas. En las redes LEO dinámicas, es esencial mantener el rendimiento de la comunicación a través de topologías variables, considerando las desconexiones de enlace y superando las limitaciones computacionales para la inferencia en tiempo real en placas embebidas. Este documento propone un método de aceleración de inferencia basado en GPU para reducir el tiempo de computación requerido para la inferencia a bordo en tiempo real de un algoritmo de enrutamiento basado en Dueling DQN (Redes Neuronales Profundas Q) en redes de satélites LEO dinámicas. El enfoque se compone de gestión de memoria, operaciones de bajo nivel y métodos de indexación eficientes, que en conjunto mejoran la eficiencia computacional. Como resultado, el método propuesto logra una inferencia aproximadamente 2.4 veces más rápida en comparación con los enfoques convencionales basados en CPU. Además, el análisis del rendimiento del núcleo revela que el método propuesto alcanza el 10% del rendimiento computacional máximo y el 20% del rendimiento de memoria máximo. Esto demuestra la compatibilidad del método propuesto para su integración con aplicaciones adicionales en los sistemas de multitarea de los satélites LEO.