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]

SHENZHEN, China, April 24, 2025 /PRNewswire/ -- MicroAlgo Inc. (the "Company" or "MicroAlgo") (NASDAQ: MLGO), announced today the development of an innovative technology, the Classical Boosted Quantum Optimization Algorithm (CBQOA). This algorithm integrates the  search capabilities of classical computing with the parallel computing characteristics of quantum computing, effectively addressing constrained optimization problems without modifying the cost function. It ensures that the evolution of quantum stat ...

文章核心观点 公司宣布增持MicroAlgo股份至67.65%并对现有股份锁定十年 [1][2] 分组1：公司增持情况 - 截至2025年3月27日公司持有MicroAlgo 40,000股A类普通股、1,810,658股受限A类普通股和44,878,261股受限B类普通股 ，占MicroAlgo已发行股份总数的67.65% [2] - 公司无出售或处置MicroAlgo普通股计划，为稳定市场预期对现有股份锁定十年 [2] 分组2：公司业务介绍 - 公司是全息云综合技术解决方案提供商，专注于全息AR汽车HUD软件、3D全息脉冲激光雷达等专业领域 [3] - 公司服务和全息AR技术包括全息AR汽车应用、3D全息脉冲激光雷达技术等 [3]

文章核心观点 公司宣布计划发行新股以履行2000万美元可转换债券购买协议的相关条款 [1][2] 公司情况 - 公司是一家开曼群岛豁免公司，致力于定制中央处理算法的开发和应用 [4] - 公司通过将中央处理算法与软件或硬件集成，为客户提供全面解决方案，服务范围包括算法优化、加速计算能力、轻量级数据处理和数据智能服务等 [4] 债券情况 - 2024年10月7日公司与债权人签订2000万美元可转换债券购买协议，债券期限360天，可按转换请求前60个交易日最低收盘价的70%转换为普通股 [1] - 债权人通知公司按协议条款以每股0.8美元发行新股偿还债务，公司计划履行协议并按此价格发行新股偿债 [2]

文章核心观点 - 公司推出基于子图同构的多模拟器协作算法，分解大量子电路并利用分布式计算，克服量子比特数量限制，提高量子电路执行效率，为量子计算领域提供创新解决方案，有望在更多领域发挥关键作用 [1][13] 算法介绍 - 核心概念是将大量子电路分解为多个小的子电路，利用并行和分布式计算技术分配计算任务，有效利用有限量子比特资源，提高执行效率 [2] - 先分析量子电路，用子图同构算法识别子图结构，将电路划分为不超过当前量子计算机容量的子电路，确保各子电路独立运行 [3][4] - 子图同构算法在电路分区中起关键作用，能高效识别子图结构，用图匹配技术分区，各子电路并行执行，减少计算时间 [5] - 电路分区完成后，算法将子电路分配到不同量子模拟器或计算机执行，采用分布式计算框架，通过并行编程模型提高整体计算速度 [6] - 算法利用分布式计算，充分利用各量子计算机资源，灵活调整子电路量子比特数量，解决单台量子计算机无法处理大规模电路的问题 [7] - 分区时应用量子电路优化技术，确保子电路执行效率最大化，同时保持结果一致性，降低计算复杂度，缩短计算时间 [8] - 计算完成后，用“振幅放大”技术合并各子电路结果，确保合并结果准确反映原电路计算 [9] 测试情况 - 公司对算法进行多次测试，将量子电路分区并在不同量子计算设备上并行执行，结果与单台量子计算机执行结果匹配，证明算法能克服量子比特数量限制 [10][11] - 算法在不同类型量子电路上测试，结果表明能处理简单和复杂电路，为量子计算在各领域广泛应用提供支持 [12] 未来展望 - 随着量子计算技术发展，算法有望在更多应用领域发挥关键作用，公司计划优化算法，增强处理大规模量子电路能力，探索与其他量子算法集成 [14] - 算法未来可能与量子优化和量子机器学习等领域的其他量子算法结合，解决量子比特限制问题，提高量子电路可扩展性，推动量子计算技术广泛应用 [15] 公司简介 - 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集成，为客户提供全面解决方案，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 [16]

文章核心观点 公司研发团队优化量子电路设计、降低量子比特错误率，提升格罗弗算法在实际应用中的性能，该算法有高效搜索和低能耗优势，未来有望在多领域应用推广 [1][7][9] 格罗弗算法技术流程 - 量子态初始化：将量子比特系统初始化为等叠加态，每个量子比特代表数据库中的一个元素，是量子搜索算法起点，体现量子并行性 [2] - 预言机函数设计：预言机函数是格罗弗算法关键组件，用于标记目标信息，输入目标信息时输出特定量子态，否则保持原态，为后续干扰增强提供基础 [3] - 量子干扰增强：应用预言机函数后，算法通过一系列量子门操作增强目标路径概率、抑制非目标路径概率，利用量子干扰原理使目标信息在多次迭代后更明显 [4] - 测量与结果提取：经过一定次数迭代后，算法测量量子比特系统，结果为目标信息索引，多次测量可提高结果准确性 [5] - 算法优化与迭代：基于测量结果，算法自适应调整，优化量子电路设计、提高搜索效率，该过程迭代进行，使算法逐渐接近最优解 [6] 格罗弗算法优势 - 搜索效率高：与经典搜索算法相比，理论上可将搜索复杂度降至O(√N)，处理大规模无序数据库时可指数级加速，能在更短时间找到目标信息 [7] - 并行搜索：通过优化量子电路设计和利用量子叠加原理，使量子比特同时处于多种状态，算法可同时处理多个数据库元素，实现并行搜索，进一步提高搜索速度 [7] - 能耗低：在某些情况下，量子计算能耗低于传统计算方法，符合节能环保趋势 [7] 格罗弗算法应用场景 - 可在大型数据库中快速搜索特定记录或信息，如大型企业客户数据库、金融机构交易记录数据库，提高业务处理效率 [8] 格罗弗算法发展前景 - 随着量子比特数量增加、量子芯片制造技术进步和量子算法优化，公司对格罗弗量子搜索算法的研究有望在更多领域应用推广，实现更复杂高效的信息搜索和处理任务 [9] - 未来该算法可能与其他量子和经典算法结合，形成更强大计算工具，为实际问题提供更有效解决方案，推动量子计算技术在各领域广泛应用和发展，同时增强量子计算的安全性和可靠性 [9] 公司概况 - 公司致力于定制中央处理算法的开发和应用，通过将中央处理算法与软件或硬件集成，为客户提供全面解决方案，帮助客户增加客户数量、提高终端用户满意度、节省直接成本、降低功耗和实现技术目标 [10] - 公司服务范围包括算法优化、在无需硬件升级情况下加速计算能力、轻量级数据处理和数据智能服务，通过定制中央处理算法为客户高效提供软硬件优化是公司长期发展的驱动力 [11]

文章核心观点 - 公司研究团队运用量子神经网络对数据库数据分类和提取特征，结合格罗弗算法提高搜索效率，该技术有广泛应用前景，未来有望拓展应用边界 [1][7][8] 公司业务介绍 - 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为客户提供全面解决方案，服务包括算法优化、加速算力、轻量级数据处理和数据智能服务等 [9][10] 量子神经网络技术 - 新兴技术结合量子力学原理和人工神经网络架构，能在量子比特上运行复杂学习算法，实现高速数据处理和优化分析，通过模拟人脑神经网络结构和整合量子态，增强模式识别和分类效率 [2] 智能搜索系统流程 - 数据预处理：用先进量子模式识别技术过滤原始数据，去除无关信息，提取核心特征，形成易索引数据集 [3] - 特征提取：利用量子神经网络深度学习能力，自动发现数据隐藏关联，构建多级特征表示 [4] - 子集聚焦：基于初步特征分析，细分搜索空间，确定目标可能存在的子集，减少不必要计算 [4] - 应用格罗弗算法：对预选子集直接应用格罗弗算法，利用量子并行搜索优势快速定位目标 [5] - 结果反馈和优化：系统自动评估搜索结果有效性，优化搜索策略，迭代改进量子神经网络模型 [5] 技术优势 - 量子并行处理机制使智能搜索性能远超传统算法，在大数据环境下差距更明显，结合深度学习技术能更准确识别目标，避免漏检和误报，且具备自学习能力，可随数据变化调整搜索策略 [6] 应用前景 - 在数据库搜索领域可提高效率、降低成本，还能应用于大数据分析、信息安全和生物信息学等领域，为数据处理和分析提供新解决方案 [7] 未来展望 - 随着量子技术成熟，公司有望拓展技术应用边界，结合更多新兴技术创造智能数据分析新范式，量子比特数量增加和计算精度提高将助力解决复杂现实问题，推动数据处理和搜索技术发展 [8]