文章核心观点 - 公司宣布开发基于量子纠缠的监督量子分类器训练算法，突破传统算法能力限制，虽量子计算面临挑战但该技术在机器学习领域潜力大 [1][12] 算法介绍 - 开发新型基于量子纠缠的监督量子分类器训练算法，引入基于贝尔不等式的成本函数，可同时编码多个训练样本误差 [1] - 算法核心是利用量子纠缠构建能同时处理多个训练样本及其标签的模型，可并行处理多个样本，提升训练效率 [2] - 用量子叠加将训练样本表示为量子比特向量，通过量子门操作将标签信息编码到量子态，利用纠缠关系同时处理多个样本 [3] - 基于贝尔不等式的成本函数可同时编码多个样本分类误差，优化过程考虑多个样本集体性能，克服传统算法局部优化问题 [4] 算法实现 - 依赖量子计算技术的量子比特、量子门操作和量子测量等核心组件处理输入数据 [5] - 算法初始阶段将输入训练样本转换为量子比特并初始化为特定量子态，对多个量子比特进行纠缠操作 [6] - 训练样本被安排成纠缠态，通过纠缠共享和处理信息，提高数据处理效率并加速训练收敛 [7] - 利用贝尔不等式构建成本函数以最小化分类误差，通过量子算法计算有效最小化成本函数 [8] - 算法通过量子测量输出分类结果，量子计算并行处理能力可在短时间内完成复杂分类任务 [8] 技术优势 - 利用量子纠缠特性并行处理多个训练样本，加速训练速度并提高分类准确率，可克服传统方法处理大数据集的计算瓶颈 [9] - 基于贝尔不等式的成本函数理论上更稳健，可避免传统方法的局部最优问题，在复杂分类任务中更有效 [10] 面临挑战 - 量子计算面临稳定性和计算规模等限制，量子比特数量和误差率影响算法实际性能，在现有平台实现高效算法需突破技术障碍 [11] 公司概况 - 公司致力于定制中央处理算法的开发和应用，通过将算法与软硬件结合为客户提供综合解决方案 [13] - 服务包括算法优化、加速计算能力、轻量级数据处理和数据智能服务等，高效交付软硬件优化是长期发展动力 [13]

文章核心观点 - 公司宣布研究量子信息递归优化（QIRO）算法，该算法利用量子计算解决组合优化问题，具有技术优势、实际应用潜力和增长潜力 [1][7][8] 算法介绍 - 量子信息递归优化（QIRO）算法是基于量子计算机的优化算法，结合量子计算和递归算法概念，利用量子计算机并行计算能力及量子态叠加和干涉特性，递归调用量子优化过程寻找最优解 [1] 算法步骤 - 问题建模：明确目标函数、约束条件和候选元素，为算法奠定基础 [2] - 量子态初始化：通过量子门操作初始化量子态，利用叠加特性实现并行计算 [3] - 递归调用量子优化过程：核心步骤，通过量子门操作演化量子态，利用量子干涉搜索最优解，根据问题设置递归深度和次数 [4] - 测量和结果提取：递归达到边界条件时进行量子测量，获取最优或近似最优解 [5] - 结果验证和优化：验证并优化提取的解，比较目标函数值确定最优解，根据实际需求调整和细化 [6] 算法优势 - 技术优势：实现计算效率指数级提升，具备更强全局搜索能力，设计灵活可定制，具有一定鲁棒性，能减轻噪声和误差影响 [7] - 应用潜力：在物流配送、金融投资、人工智能和科研等领域有广泛应用前景，可解决资源分配和网络规划等实际问题 [7][8] 发展前景 - 随着量子技术进步，量子资源质量和可获取性提高，支持算法解决更复杂大规模问题，还可能为混合量子 - 经典算法发展提供模型，拓展量子计算应用范围 [9][10] 公司介绍 - 公司致力于定制中央处理算法的开发和应用，通过将算法与软硬件结合提供综合解决方案，服务包括算法优化、提升算力、轻量级数据处理和数据智能服务等 [11]

量子视觉计算研究 - 公司宣布开展量子视觉计算研究 探索量子计算与传统卷积神经网络的融合 正在开发量子卷积神经网络(QCNN)架构以提升传统计算机视觉任务的性能[1] - QCNN架构创新性地结合量子计算的并行性和经典卷积神经网络的特征提取能力 利用量子比特作为信息载体 通过量子叠加和纠缠特性实现多任务并行处理[2] - 该架构借鉴经典CNN的卷积层、池化层和全连接层结构 对图像数据进行特征提取、降维和分类 同时提升计算速度和识别精度[2] 技术原理 - 量子态编码阶段将预处理后的图像特征映射到量子比特 利用量子叠加和纠缠特性建立特征关联网络[5] - QCNN处理阶段：量子卷积层利用量子并行性提取深层特征 量子池化层进行降维保留关键特征 量子全连接层完成分类分析[6] - 最终通过量子测量将量子态结果转换为经典数据形式 输出目标类别和位置等信息[7] 应用场景 - 自动驾驶领域可实现道路标志、车辆和行人的快速精准识别 提升系统安全性和可靠性[8] - 医疗影像分析可实现快速准确诊断 辅助医生制定治疗方案[8] - 安防监控领域支持实时异常行为检测和预警 提高安防效率和准确性[8] - 其他应用场景包括智能制造、航空航天和智慧城市等 推动相关行业技术升级和智能化转型[8] 公司背景 - 公司专注于定制化中央处理算法的开发与应用 通过算法与软硬件集成提供综合解决方案[9] - 服务范围包括算法优化、算力加速(无需硬件升级)、轻量级数据处理和数据智能服务[9] - 解决方案帮助客户增加用户数量、提升满意度、实现成本节约和降低能耗[9]

量子图像加密算法技术 - 公司开发了基于量子密钥图像的量子图像加密算法，利用量子纠缠和并行性实现高效图像加密 [1] - 量子密钥图像采用GQIR量子图像存储方法制备，其灰度值代表加密算法生成的密钥序列 [1][2] - 加密过程通过明文图像与量子密钥图像的逐位异或操作完成，具有高随机性和安全性 [1][5] 量子加密核心技术 - 采用量子随机数生成器(QRNG)产生密钥序列，基于量子力学随机性原理确保高安全性 [3] - 结合量子密钥分发(QKD)技术传输加密图像，利用量子不可克隆原理保障密钥传输安全 [6] - 算法具有抗环境噪声干扰能力，通过量子纠错和中继技术适应复杂通信环境 [7] 应用场景 - 金融领域：保护交易凭证、客户身份等敏感图像数据，维护金融系统稳定 [8] - 政府机构：保障国家机密、公民隐私数据及关键基础设施控制信息安全 [8] - 医疗行业：确保医学影像等患者隐私数据在传输和存储中的安全性 [8][9] - 物联网：为智能设备间通信提供加密通道，防止设备被黑客控制 [9] 技术优势 - 相比传统加密具有理论上的不可破解性，即使攻击者拥有无限算力也无法破解 [7] - 支持实时密钥分发和更新，满足高安全性场景的频繁密钥更换需求 [7] - 算法效率高，能适应现代通信对高速、大容量加密的要求 [7] 公司背景 - 专注于定制化中央处理算法的开发与应用，提供算法优化和算力加速解决方案 [11] - 服务涵盖算法优化、轻量级数据处理、数据智能服务等领域 [11] - 通过软硬件协同优化帮助客户提升运营效率并降低能耗 [11] 发展前景 - 随着量子计算技术进步，算法安全性和效率将持续提升 [10] - 技术有望在多个领域实现大规模商业化应用 [10]

核心观点 - MicroAlgo Inc 开发了基于阿基米德优化算法(AOA)的区块链存储优化解决方案 旨在解决区块链存储效率瓶颈问题 [1] - AOA算法通过模拟流体中物体受力运动原理 动态调整参数实现从随机初始位置向最优"平衡点"迭代移动 深度整合到区块链存储场景中 [2] - 该解决方案贯穿数据上链全生命周期 分为数据预处理、分片策略优化、节点资源分配、共识机制增强和安全策略调优五个关键阶段 [3] - 相比传统方法 AOA方案在分片组合探索效率上比遗传算法(GA)高40% 比粒子群优化(PSO)减少25%迭代次数 [10] - 在动态负载场景下 该方案能将节点存储利用率标准差控制在15%以内 比传统方法减少60%负载不平衡 [11] 技术架构 算法原理 - AOA核心概念源自阿基米德浮力原理 通过密度、体积、加速度等参数动态调整模拟物体运动 [2] - 算法在全局搜索和局部开发之间自适应切换 解决复杂约束下的最优存储方案 [2] - 将数据分片问题建模为多维空间最优分割任务 节点抽象为"虚拟物体"并定义密度、体积、浮力对应参数 [5] 数据处理流程 - 数据预处理阶段执行多维特征提取 根据数据类型采用差异化策略：结构化交易数据轻量序列化编码 非结构化文件数据分块哈希 隐私数据同态加密或零知识证明预处理 [4] - 动态分片策略优先将高频"热数据"存储在低延迟高性能节点 低频"冷数据"采用擦除编码存储在低成本大容量节点 [5] - 节点负载监控实时收集存储利用率、CPU使用率、网络带宽等动态状态数据 作为算法"受力分析"输入 [6] 性能优势 存储效率 - 算法可快速探索百万级分片组合 适用于千万节点复杂网络 [10] - 通过自适应转移因子机制动态平衡探索与开发 最终产生同时优化存储效率和访问性能的分片策略 [5] - 针对异构节点(全节点、轻节点、边缘节点)采用分层资源调度策略 形成核心-边缘协作的层级存储架构 [6] 共识优化 - 在PBFT类共识中 将区块打包重构为多目标优化问题 平衡区块大小限制(如1MB上限)与交易吞吐量 [7] - 实时计算节点"信任密度" 优先选择高信任节点参与共识 降低恶意干扰风险 [8] - 对PoW共识预测算力分布和网络负载 动态调整挖矿难度目标 缩短区块间隔并减少能源浪费 [8] 应用前景 技术演进 - 算法层面计划引入量子计算加速 提升AOA迭代速度100倍以上 满足艾字节级数据优化需求 [12] - 架构层面探索"算法-硬件"协同设计 开发AOA专用ASIC芯片降低区块链节点能耗成本 [12] - 生态层面推动AOA与Polkadot、Cosmos等跨链协议深度融合 构建跨链存储资源调度网络 [12] 行业影响 - 该技术有望成为区块链存储的"智能枢纽" 推动分布式存储从"规则驱动"向"算法自治"演进 [12] - 为数字经济时代释放数据价值奠定技术基础 特别是在Web3 0和元宇宙等领域的爆炸性数据增长场景 [12] 公司背景 - MicroAlgo Inc 是开曼群岛豁免公司 专注于定制化中央处理算法的开发和应用 [13] - 通过算法与软硬件集成提供全面解决方案 帮助客户增加用户数量、提高终端用户满意度、实现直接成本节约和降低功耗 [13] - 服务范围包括算法优化、无需硬件升级的计算能力加速、轻量级数据处理和数据智能服务 [13]

技术突破 - 公司推出基于变分量子算法(VQA)的分类器自动优化技术，通过核心电路的深度优化显著降低训练过程中的参数更新复杂度，大幅提升计算效率[1] - 与传统量子分类器相比，该优化模型具有更低复杂度并采用先进正则化技术，有效防止模型过拟合并增强分类器泛化能力[1] - 技术突破主要体现在量子电路深度优化降低计算复杂度、哈密顿变换优化(HTO)提升效率至少一个数量级、量子纠缠正则化(QER)增强稳定性等核心方面[6][7][8] 行业痛点 - 当前主流量子分类器需要深量子电路实现高效特征映射，导致量子参数优化复杂度高且训练数据量增加时计算负荷快速上升[2] - 变分量子分类器(VQA)面临参数空间复杂、量子测量噪声影响稳定性等挑战，传统优化方法存在收敛速度慢和陷入局部最优等问题[4][5] 技术细节 - 采用自适应电路剪枝(ACP)方法动态调整电路结构，在保持分类器表达能力的同时显著减少训练所需参数数量[6] - 引入基于哈密顿变换的优化方法，通过改变变分量子电路的哈密顿表示缩短参数空间搜索路径[7] - 开发变分量子纠错(VQEC)技术主动学习噪声模式并调整电路参数，在NISQ设备噪声环境中提升分类器鲁棒性[10] 应用前景 - 该技术通过核心电路优化与新型正则化方法的结合，在理论验证和模拟实验中均表现出优越性能[11] - 随着量子计算硬件发展，该技术将加速量子智能计算的实用化进程，推动量子计算进入实际应用新阶段[12] 公司背景 - 公司专注于定制化中央处理算法的开发与应用，通过算法与软硬件整合为客户提供算力加速、数据处理轻量化等解决方案[13] - 服务范围涵盖算法优化、计算能力提升、数据智能服务等领域，长期发展驱动力来自通过定制算法高效交付软硬件优化的能力[13]

量子边缘检测算法突破 - 公司新开发的量子边缘检测算法突破经典方法限制，通过量子电路优化特征提取过程，将计算复杂度从O(N²)降至O(N)，同时保持检测精度，为实时图像处理和边缘智能设备提供新解决方案 [1] - 该算法基于量子态编码和量子卷积原理，利用量子并行性同时处理多个像素邻域，通过量子叠加态模拟经典卷积核的加权求和过程，在噪声鲁棒性、多尺度特征融合和计算能效方面显著优于经典算法 [2] 技术架构与实现细节 - 采用"量子预处理-量子特征提取-经典后处理"混合架构：通过振幅编码技术将二维图像矩阵转换为量子态输入，3个量子比特即可编码8位灰度图像的单个像素 [3] - 量子边缘检测操作使用参数化量子门（如RY门和CNOT门）设计可训练量子滤波器，动态调整检测灵敏度和方向性，量子噪声抑制电路利用量子纠错码减少椒盐噪声影响 [4] - 通过变分量子算法(VQA)优化电路参数，结合经典优化器(如Adam)形成量子-经典反馈循环，实现算法自适应调整 [6] 性能优势与应用场景 - 量子主成分分析(QPCA)将高维数据特征提取时间复杂度从O(N²)降至O(N)，能耗仅为传统GPU集群的1/100，量子态叠加特性显著扩展特征探索空间，避免局部最优问题 [7] - 已在医疗影像分析（精确定位脑肿瘤边界）、遥感图像处理（降低复杂海况下水体误检率）、工业质检（实现精密部件亚像素级裂纹检测）和自动驾驶（提升大雨中车道线识别精度）等领域实现商业化应用 [8] - 未来将拓展至多模态图像融合、加密图像分析和光子量子芯片集成等方向，重塑智能安防和生物医学等领域的图像处理范式 [9] 公司背景与业务模式 - 专注于定制化中央处理算法的开发与应用，通过算法与软硬件集成帮助客户增加用户数量、提升终端满意度、实现直接成本节约和降低功耗 [10] - 服务范围包括算法优化（无需硬件升级即可加速算力）、轻量化数据处理和数据智能服务，定制化算法能力是其长期发展的核心驱动力 [10]

Exhibit 99.1 MicroAlgo Announces Profitable 2024 with Strong Growth in Central Processing Algorithm Services This press release contains statements that may constitute "forward-looking statements." Forward-looking statements are subject to numerous conditions, many of which are beyond the control of MicroAlgo, including those set forth in the Risk Factors section of MicroAlgo's periodic reports on Forms 20-F and 6-K filed with the SEC. Copies are available on the SEC's website, www.sec.gov. Words such as "e ...

UNITED STATES SECURITIES AND EXCHANGE COMMISSION WASHINGTON, D.C. 20549 FORM 20-F (Mark one) ☐ REGISTRATION STATEMENT PURSUANT TO SECTION 12(b) OR (g) OF THE SECURITIES EXCHANGE ACT OF 1934 OR ☒ ANNUAL REPORT PURSUANT TO SECTION 13 OR 15(d) OF THE SECURITIES EXCHANGE ACT OF 1934 For the fiscal year ended December 31, 2024 OR ☐ TRANSITION REPORT PURSUANT TO SECTION 13 OR 15(d) OF THE SECURITIES EXCHANGE ACT OF 1934 OR ☐ SHELL COMPANY REPORT PURSUANT TO SECTION 13 OR 15(d) OF THE SECURITIES EXCHANGE ACT OF 19 ...

财务表现 - 2024年总营收达5.415亿人民币（7530万美元），净利润5340万人民币（730万美元），相比2023年净亏损2.662亿人民币和2022年净亏损4654万人民币实现显著扭亏[1] - 现金及等价物从2023年的3.17亿人民币大幅增长至2024年的10.359亿人民币（1.441亿美元）[3] - 研发投入达1.117亿人民币（1550万美元），占营收比例20.6%[2] 业务转型 - 公司战略重心转向定制化中央处理算法服务，该业务2024年贡献100%营收[1] - 完全退出智能芯片及服务板块，资源集中推动算法服务业绩增长[1] - 算法服务通过软硬件整合提供解决方案，帮助客户增加用户数、降低功耗并达成技术目标[5] 市场机遇 - 中央处理算法服务在互联网广告和在线游戏行业需求增长显著[3] - 业务扩展策略包括应用领域拓宽和客户群多元化[3] - 技术能力覆盖算法优化、算力加速（无需硬件升级）、轻量化数据处理及数据智能服务[5] 管理层表态 - CEO强调2024年盈利验证了算法服务板块的实力，未来将持续投入研发并扩大市场覆盖[4] - 公司定位为数据智能处理行业领导者，计划通过战略机会巩固竞争优势[4] 公司背景 - 注册于开曼群岛，专注定制化中央处理算法的开发与应用[5] - 通过算法与软硬件整合提供端到端解决方案，实现客户成本节约和技术目标[5]