En este estudio de investigación, investigamos la capacidad de las redes neuronales de aprendizaje profundo para proporcionar un mapeo entre las características de un sistema de simulación de eventos discretos distribuidos en paralelo (PDDES) (software y hardware) a un esquema de sincronización temporal para optimizar el rendimiento de aceleración. Utilizamos redes de creencias profundas (DBNs). Las DBNs, que debido a sus múltiples capas con detectores de características en las capas inferiores y un esquema supervisado en las capas superiores, pueden proporcionar mapeos no lineales. El mecanismo de mapeo funciona considerando constructos de simulación, hardware y complejidades de software como objetos de simulación, concurrencia, iteraciones, rutinas y tasas de mensajería con un nivel de importancia particular basado en un enfoque cognitivo. El resultado del mapeo es un esquema de sincronización como cubos de tiempo de respiración, distorsión de tiempo de respiración y distorsión de tiempo para optimizar la aceleración. La técnica de simulación-optimización descrita en este estudio de investigación es única. Esta nueva metodología podría realizarse dentro de los actuales sistemas de modelado de simulación paralela y distribuida para mejorar el rendimiento.