脉冲神经网络是一类与生物神经网络非常相似的人工神经网络。它们尤其令人感兴趣，因为它们有可能推动多个领域的研究，既因为它们对神经行为的更深入了解（有益于医学、神经科学和心理学），也因为它们在人工智能方面的潜力。它们一旦在硬件中实现，就能以较低的能耗运行，这使得它们更具吸引力。然而，由于它们的行为会随着时间而演变，当无法实现硬件时，它们的输出不能简单地用一次性函数计算（无论多么复杂），而是需要进行模拟。模拟脉冲神经网络的成本极高，主要是因为它们的规模庞大。由于同步方法保守，许多当前的模拟方法难以在更强大的系统上扩展。可扩展性通常是通过近似实际结果来实现的。在本文中，我们介绍了一种遵循时间扭曲同步协议的建模方法和运行时环境支持，该方法可以实现脉冲神经网络模型的推测性分布式模拟，并提高结果的准确性。我们讨论了允许有效推测性模拟的方法和技术方面，并对大型虚拟化环境进行了实验评估，这表明模拟由数百万个神经元组成的网络是可行的。