Presenta por vez primera la idea del proceso de enfriamiento cuántico para resolver problemas de optimización. Este mecanismo es la base de la computación cuántica adiabática, cuyas máquinas en la actualidad cuentan con el mayor número de qubits.
Se presenta un algoritmo capaz de realizar una búsqueda en una base de datos no estructurada en un tiempo que es la raíz cuadrada del que requeriría un computador clásico en hacer la misma búsqueda. Puede aplicarse para resolver problemas de decisión con una aceleración cuadrática con respecto a los computadores clásicos.
Se presenta un algoritmo (conocido en la actualidad por HHL, las siglas de sus autores) para resolver sistemas de ecuaciones lineales usando computadores cuánticos con una aceleración que puede llegar a ser exponencial (dependiendo del condicionamiento de la matriz de coeficientes). Es un algoritmo muy utilizado en aprendizaje automático cuántico.
Propone un algoritmo híbrido clásico-cuántico para resolver problemas de optimización de forma aproximada y lo ilustra poniendo como ejemplo el problema MAX-CUT, que es NP-difícil. El algoritmo se ha considerado como una aproximación del proceso de enfriamiento cuántico que se usa en la computación cuántica adiabática para optimizar.
Hace un repaso por la disciplina de Quantum Machine Learning, presentando los algoritmos del estado del arte hasta la fecha y sus aceleraciones con respecto a sus versiones clásicas.