Cuore的连续数据流是用最佳触发器触发的，这是一种基于最佳滤镜51的算法，其特征在于阈值较低的阈值。较低的阈值使我们不仅能够重建光谱的低能部分，而且还可以在重建不同热量表之间重合的事件时产生更高的效率，因此对相应的背景组件有更精确的理解52,53。

　　每个事件的最佳触发器传输函数都与理想的信号形状相匹配，以作为优质脉冲的平均值获得，因此抑制了信噪比较低的频率成分。如果滤波的信号振幅超过噪声根均方根（RMS）的固定倍数，则触发触发器，并为每个热量表和数据集分别定义。我们通过注入不同振幅的假脉冲来评估能量阈值，该振幅通过将校准函数反转到数据流来评估。我们重建假脉冲的稳定幅度，拟合正确触发事件的比率与具有误差函数的生成事件的比率，并使用90％的分位数作为最佳触发阈值的功绩。这种方法可以监视数据收集过程中的阈值，并基于以下假设：信号形状不是能量依赖性的，即从高能量γ事件获得的平均脉冲也是一些keV事件的好模板。在扩展数据中显示了90％触发效率下的能量阈值的分布图4。

　　在这项工作中，我们设定了40 keV的常见分析阈值，这导致大多数（97％）量热仪的触发效率> 90％，同时允许通过抗合性割伤从感兴趣的地区删除多核事件。

　　总效率是重建，反协同，脉搏形状歧视（PSD）和控制效率的乘积。

　　重建效率是触发信号事件，具有正确重构的能量的概率，并且不会因需要稳定的触发电压的基本质量削减而拒绝，而信号窗口中只有一个脉冲。使用外部标记的加热器事件对每个热量表进行评估，这是信号样事件的近似值。

　　反互惠效率是真正的单晶事件正确地通过我们的反统一割伤的可能性，而不是由于意外的巧合与无关事件的意外重合而被错误否决。它被提取为从40k的电子捕获衰变中接受完全吸收的γ事件，这是单晶事件的参考样本。

　　PSD效率是作为已经通过基础和抗合性切割的60CO，40K和208TLγ峰的平均事件接受。原则上，对于每个量热计，PSD效率可能不同，但是鉴于物理数据的统计数据有限，我们在所有通道和完整数据集上对其进行了评估。为了说明单个热量表之间可能的变化，我们通过将其单个光谱与从量热仪的光谱的暴露加权总和中提取的单个光谱直接求和来比较了其单个光谱。我们发现两个值之间的平均±0.3％差异，并将其作为0νββ拟合中的全局系统不确定性。这需要高斯先验而不是我们先前的结果中使用的统一先验，而这种不确定性来自于自此解决的两种方法之间的差异。

　　最后，通过基于GEANT4的Monte Carlo Simulates55评估了遏制效率55，并涉及由于几何影响以及Bremsstrahlung所致的能量损失。

　　在此分析中，我们使用基于主成分分析（PCA）的新算法进行脉冲形状歧视。该方法已针对Cupid-Mo56开发和记录，并已适用于Cuore57。该技术取代了先前Cuore结果中使用的算法，该算法基于六个脉冲形状变量30。从γ校准峰中拉出的信号样事件的PCA分解产生的领先组件类似于平均脉冲，其自身捕获脉冲之间的差异的90％> 90％。我们选择处理数据集中每个量热计的平均脉冲，就好像它是领先的PCA组件一样，将其像PCA特征向量一样标准化。然后，我们可以将任何事件从同一通道投射到此向量上，并尝试仅使用此领导组件重建10-S波形。对于具有长度n的任何波形X和领先的PCA组件W，我们将重建误差定义为：

　　此重构误差度量可以衡量仅使用被视为领先的PCA组件的平均脉冲重建事件波形的能力。偏离信号波形的典型预期形状的事件的重建较差，并且具有较高的重建误差。我们将重建误差标准化为能量的二阶多项式在量热计数据基的基础上（参见扩展数据图5），并通过优化Qβββ区域中的预期背景的信号效率的绩效数字来削减归一化值。使用这种基于PCA的方法，我们获得的总体效率为（96.4±0.2）％，而（94.0±0.2）％从我们先前的结果中使用的脉冲形状分析中获得的（94.0±0.2）％，以及PSD系统不确定性从0.6％降低到0.3％的50％。

　　高级统计0νββ衰减分析由BAT软件软件包开发的组合数据中的无上线贝叶斯拟合58组成。模型参数是0νββ衰减速率（γ0ν），线性倾斜的背景和60CO和峰幅度。γ0ν和60CO速率在所有数据集中都是共同的，其60CO速率由预设数据集依赖性因子缩放，以考虑其随着时间的预期衰减。基本背景速率以计数为kev-1 kg-1 yr-1表示数据集依赖性，而对背景的线性斜率在所有数据集之间共享，因为背景形状的任何结构都不应在数据集之间变化。γ0ν，60CO速率和背景速率参数具有统一的先验，这些先验限制为非负值，而对背景的线性斜率则具有统一的先验，从而允许正值和负值。

　　除了这些统计参数外，我们还考虑了不确定性对能量偏差和能量分辨率的系统效应59,60，Qβ的值，130TE的自然同位素丰度以及重建，反协能，PSD，PSD和遏制效率。我们通过一次将滋扰参数添加到一个拟合中，并研究对后全局模式的影响和边缘化的90％CI对γ0ν的限制来评估它们对0νββ速率的单独影响。

　　在扩展数据表1中报道了系统和先验的列表。效率和同位素丰度在我们的预期信号上是乘法术语，因此每种效果报告为对γ0ν的相对影响。相比之下，Qββ，能量偏置和分辨率缩放的不确定性与信号速率具有非平凡关系。因此，我们报告了每个对γ0ν的绝对效应。主要效应是由于物理数据中能量偏差和分辨率缩放的不确定性所致。我们通过同时将所有这些都包含在拟合中，从而考虑了滋扰参数之间可能的相关性。

　　我们选择了我们观察到的γ0ν的物理上的统一先验，这意味着我们将任何数量的信号事件都视为同样可能。其他可能的非信息选择也可以被认为是适当的。由于任何贝叶斯分析的结果在一定程度上取决于先验的选择，因此我们检查了其他合理的先验如何影响我们的结果57。我们考虑了：统一的先验，相当于Mββ上的均匀先验，也等同于使用Jeffreys Prior；logγ0ν上的标尺不变统一；以及1/γ0ν上的均匀先验，等于先验。

　　这些先验在γ0ν= 0时均未定义，因此我们施加了γ0ν> 10-27 yr-1的较低截止，而给定的暴露量对应于大约一个信号事件。先验均匀的情况给出最小的效果，并将极限增强25％，而1/γ0ν的平面效果最大，效果最大，将极限提高了4倍。实际上，所有这些先验的权重量更多的γ0ν值更多。因此，我们选择γ0ν上的扁平先验提供了最保守的结果。

　　我们通过用背景模型产生一组104个玩具实验来计算0νββ的敏感性，即仅包括60CO和线性背景组件。这些玩具分为15个数据集，并通过仅适用于我们的实际数据获得的曝光和背景费率。我们将每个玩具与信号背景模型拟合，并提取90％CI限制的分布，在扩展数据中显示。

　　我们使用Rolke Method61进行频繁分析，从而获得了（90％CI）的过程半衰期的下限。从贝叶斯分析工具生成的完整马尔可夫链中检索了γ0ν的轮廓可能性函数。因此，对贝叶斯拟合中系统效应的非均匀先验也被纳入了频繁的结果中。我们通过将-2log视为具有一个自由度的近似χ2分布来提取γ0ν的90％置信区间。下限来自γ0ν上置信区间的相应上边缘。在玩具实验中应用相同的方法，我们发现了中位排除敏感性的中位数。