Un problema significativo en el campo de la seguridad de hardware consiste en los virus de troyanos de hardware (HT). La inserción de HTs en un circuito puede aplicarse para cada fase de la cadena de producción del circuito. Los HTs degradan el circuito infectado, lo destruyen o filtran datos encriptados. En la actualidad, se están realizando esfuerzos para abordar los HTs a través de técnicas de aprendizaje automático (ML), principalmente para la fase de lista de redes a nivel de compuerta (GLN), pero existen algunas restricciones. Específicamente, el número y la variedad de circuitos normales e infectados que existen a través de las bibliotecas públicas gratuitas, como Trust-HUB, se basan en las pocas muestras de referencias que se han creado a partir de circuitos de gran tamaño. Por lo tanto, es difícil, basándose en estos datos, desarrollar modelos robustos basados en ML contra los HTs. En este artículo, proponemos una nueva herramienta de aprendizaje profundo (DL) llamada Generative Artificial Intelligence Netlists SynthesIS (GAINESIS). GAINESIS se basa en el algoritmo de Red Generativa Adversarial Condicional de Wasserstein (WCGAN) y en características de análisis de área-potencia de la fase GLN y sintetiza nuevas muestras de circuitos normales e infectados para esta fase. Basándonos en nuestra herramienta GAINESIS, sintetizamos nuevos conjuntos de datos, diferentes en tamaño, y desarrollamos y comparamos siete clasificadores de ML. Los resultados demuestran que nuestros nuevos conjuntos de datos generados mejoran significativamente el rendimiento de los clasificadores de ML en comparación con el conjunto de datos inicial de Trust-HUB.