La ingeniería inversa (RE) en circuitos integrados (IC) es un proceso en el que se intenta extraer los componentes internos de un IC, extraer la estructura del circuito y determinar la información a nivel de compuertas de un IC. En general, el proceso de RE se puede realizar tanto para validación como con intenciones de robo de propiedad intelectual (IP). Además, la RE también facilita diferentes actividades ilícitas, como la inserción de un troyano de hardware, la piratería o la falsificación de un diseño, o el desarrollo de un ataque. En este trabajo, proponemos un enfoque para introducir perturbaciones cognitivas, con la ayuda del aprendizaje automático adversarial, en el diseño del IC que podría evitar que el proceso de RE tenga éxito. Primero construimos un conjunto de datos de imágenes capa por capa de tecnología predictiva de 45 nm. Con este conjunto de datos, proponemos un modelo de red neuronal convencional llamado RecoG-Net para reconocer las compuertas lógicas, que es el primer paso en la RE. RecoG-Net tiene éxito en el reconocimiento de las compuertas con más del 99.7% de precisión. Nuestro enfoque de frustración utiliza el concepto de algoritmos de generación de ataques adversariales para generar perturbaciones. A diferencia de los ataques adversariales tradicionales en el aprendizaje automático, la generación de perturbaciones debe estar altamente restringida para cumplir con las reglas de fabricación, como las verificaciones de Diseño (DRC) y Diseño vs. Esquema (LVS). Por lo tanto, proponemos CAPTIVE como una generación de perturbaciones restringida que satisface el DRC. Los experimentos muestran que la precisión de la ingeniería inversa utilizando técnicas de aprendizaje automático puede disminuir del 100% a aproximadamente el 30% según el generador adversario.