文章主要内容与创新点总结一、主要内容本文针对大语言模型（LLMs）在寄存器传输级（RTL）代码生成中面临的功能正确性不足和功耗、性能、面积（PPA）优化欠缺两大核心问题，提出了名为REvolution的框架。该框架创新性地将进化计算（EC）与LLMs相结合，通过并行进化设计候选种群，突破了传统迭代反馈方法的局部搜索局限，实现了自动且高效的RTL代码生成与优化。框架核心流程包括三个阶段：初始化阶段利用LLM生成包含（设计思路、代码、反馈）三元组的初始种群；进化循环阶段通过双种群算法将个体分为失败种群（功能错误）和成功种群（功能正确），分别采用针对性的提示策略进行错误修复和PPA优化，同时通过自适应提示策略选择机制动态分配计算资源；终止阶段输出所有代际中适应度最高的RTL设计。实验在VerilogEval和RTLLM基准测试中验证了框架有效性，多种LLM的初始通过率最高提升24.0个百分点，DeepSeek-V3模型最终通过率达95.5%，且生成的RTL设计在PPA指标上较参考设计有显著提升，无需额外训练或领域专用工具。二、创新点进化计算与LLMs融合的RTL设计框架：首次将LLMs的生成能力与进化计算的广域搜索能力结合，通过并行探索设计空间，摆脱了传统方法对初始设计的依赖，避免陷入局部最优解。双种群算法：根据功能正确性将种群分为失败种群和成功种群，对前者侧重错误修复，对后者侧重PPA优化，通过异质进化策略提升搜索效率，且后代生成数量与子种群规模成正比，优先解决核